使用Python库valuequant处理时间序列结构变化的建模方法4_时间序列结构变化识别方法-CSDN博客

本文链接：https://blog.csdn.net/Dr_Kevin_Ye/article/details/122716884

本文介绍了使用Python库valuequant处理时间序列结构变化的一种建模方法，涉及移动平均预处理、差分序列分析和概率状态更新模型，旨在适应不同场景，特别是处理季节性、异方差和趋势识别。通过移动平均窗口消除季节性影响，根据1阶和2阶差分确定趋势状态，并利用概率状态更新模型进行未来推演，有效避免短期异常影响。

摘要由CSDN通过智能技术生成

本期在之前三期关于时间序列结构变化讨论的基础上，再对建模方法稍做变化，以适应不同场景。需要注意的是，包括本期在内关于使用Python处理时间序列结构变化的方法，都源于自动化批量识别时间序列结构变化的需求。

场景描述

（1）时间序列具有季节周期，且季节项估计误差使得趋势项估计存在明显的异方差

（2）时间序列的随机项波幅较大，时间序列的趋势容易被剧烈的非周期波动掩盖

（3）需要识别时间序列当前趋势状态，即识别时间序列当前n阶差分正负偏向

（4）避免短期异常造成识别过敏

（5）对时间序列当前趋势状态的判定需要足够的时间步数据进行验证

（6）对时间序列的未来估计只考虑符合当前趋势的最新信息

（7）环境多变，单序列数据稀疏量少，暴力型大数据算法不适用

建模方法

第一步，针对第(1)(2)点需求，按移动平均窗口MW对时间序列进行移动平均预处理，获得移动平均序列 $MY_t(t=MW,MW+1...L)$ 。为消除季节项估计误差导致的异方差问题，可将移动平均窗口MW设置为季节周期的倍数。

第二步，针对第(3)点需求，计算时间序列的n阶差分序列。因为实际应用过程中，时间序列趋势变化一般以线性变化为主（例如往期上市公司利润表历史数据研究案例），除随机变化情况外，差分序列偏向大多出现在1阶和2阶，极少出现3阶以上的差分偏向。所以，本期的建模方法根据时间序列的1阶和2阶差分序列的正负偏向分析时间序列当前趋势状态，即计算1阶差分 $\Delta MY_t(t=MW+1,MW+2...L)$ 和2阶差分 $\Delta^2 MY_t(t=MW+2,MW+3,...L)$ 。