一、预测
在生活和工作中经常需要作出预测。
比如,预测一只股票价格的走势,预测下一年度的销售额,等等。
预测是人们根据事物的发展规律、历史和现状、分析影响其变化的因素,对其发展的前景和趋势进行的一种预测。
预测的形式和方法多种多样,根据方法本身的性质特点,将预测方法分为定性预测方法、时间序列分析、因果关系预测。
1 定性预测
定性预测方法是根据人们对系统过去和现在的经验、判断和直觉进行预测,其中以人的逻辑判断为主,仅要求提供系统发展的方向、状态、形式等定性结果。
该方法适用于缺乏历史统计数据的系统对象。
2 时间序列分析
时间序列分析是根据系统对象随时间变化的历史资料,只考虑系统变量随时间的变化规律,对系统未来的表现时间进行定量预测,主要包括移动平均法、指数平滑法、趋势外推法,等。
该方法适用于利用简单统计数据预测研究对象随时间变化的趋势等。
3 因果关系预测
因果关系预测是系统变量之间存在某种前因后果关系,找出影响某种结果的几个因素,建立因果之间的数学模型,根据因素变量的变化预测结果变量的变化,即预测系统发展的方向又确定具体的数值变化规律,如,BP神经网络预测模型。
二、常用方法-----时间序列分析预测法
时间序列预测法是一种定性分析方法,它是在时间序列变量分析的基础上,运用一定的数学方法建立预测模型,使时间趋势向外延伸,从而预测市场的发展变化趋势,确定变量预测值,也称为时间序列分析法、历史延伸法、和外推法。
时间序列分析预测法,依据的是惯性原理,所以它建立在某经济变量过去的发展变化趋势的基础上,也就是该经济变量未来的发展变化趋势是假设的。
然而,从事物发展变化的普遍规律来看,同一经济变量的发展变化趋势在不同的时期是不可能完全相同的。这样的话,只有将定性预测和时间序列分析预测有机结合在一起,才能收到最佳效果。即首先通过定性预测,在保证惯性原理成立的前提下,在保证惯性原理成立的前提下,再运用时间序列分析预测法进行定量预测。
惯性原理:
惯性原理的基本内容是:事物具有保持既有运动状态的性质。惯性原理既是基本的物理规律(牛顿第一定律),也是一切事物运动的基本规律。可以说,没有一种事物的发展与其过去的行为没有联系。过去的行为不仅影响到现时,还会影响到未来,这表明,任何事物的发展都有时间上的延续性,即惯性。惯性原理为人们进行预测活动提供了最基本的预测方法
1 时间序列
时间序列,是指同一变量按时间发生的先后顺序排列起来的一组观察值或记录值。
2 时间序列数据
时间序列数据通常是一系列实值型数据,用 X 1 , X 2 , X 3 , . . . , X t , X t ∈ R ( t ∈ Z ) X_1,X_2,X_3,...,X_t,X_t\in R(t\in Z) X1,X2,X3,...,Xt,Xt∈R(t∈Z)表示时间。
时间序列数据本质上反映的是某个或者某些随机变量随时间不断变化的趋势,而时间序列预测问题的核心就是从数据中挖掘出这种规律,并利用其对将来数据做出估计。
3 时间序列数据的特点
时间序列数据被看作一种独特的数据来处理,其具有以下特点。
(1)时间序列数据与其他类型的数据的最大区别在于当前时刻的数据值与之前时刻的数据值存在着联系,该特点表明过去的数据已经暗示 了现在,或者将来数据发展变的规律,这种规律主要包括了趋势性、周期性和不规则性。
(2)时间序列的平稳性和非平稳性。
时间序列的平稳性表明了时间序列的均值和方差在不同时间上没有系统的变化,而非平稳性意味着均值和方差随着时间推移会发生变化。
也就是说,时间序列的平稳性保证了时间序列的本质特征不仅仅存在于当前时刻,还会延伸到未来。
(3)时间序列数据的规模不断变大。
一方面,随着各方面硬件技术的不断发展,实际应用中数据的采样频率不断提高,因此时间序列的长度也不断变大,仅仅把时间序列看作单纯的一维向量数据来处理不可避免地会带来维数灾难等问题;
另一方面,很多实际应用中的时间序列数据不仅仅是单纯的一维数据,往往包含了一组数值,这一组数值之间也存在着联系,多维时间序列对时间序列预测提出了新的要求。
4 时间序列的分解
时间序列的变化受到长期趋势、季节变动、周期变动和不规则变动这四个因素的影响。其中:
(1) 长期趋势因素(T)—Trend
反映了经济现象在一个较长时间内的发展方向,它可以在一个相当长的时间内表现为一种近似直线的持续向上,或持续向下,或平稳的趋势。
(2) 季节变动因素(S)—Seasonality
是经济现象受季节变动影响所形成的一种长度和幅度固定的周期波动。周期通常为1年。
(3) 周期变动因素(C)—Cyclicity
周期变动因素也称循环变动因素,它是受各种经济因素影响形成的上下起伏不定的波动。周期长短不固定。如经济周期有危机、萧条、复苏和高涨四个阶段。
(4) 随机变动因素(I)——Iregular variations
它是受各种偶然因素影响所形成的不规则变动。如战争、政治事件、自然灾害等。
一般来说,任何时间序列中都会有不规则成分存在,而商务与管理数据中通常不考虑周期性,所以只剩下趋势成分和季节成分。
不含趋势和季节成分的时间序列,即平稳时间序列只含随机成分,只要通过平滑就可以消除随机波动,因此,这类预测方法也称为平滑预测方法。
对于只含有趋势成分的时间序列,可以采用趋势预测法。
对于既含有趋势,又含有季节成分的时间序列,则采用季节性预测法。
三、常见时间序列
(1)平稳序列(stationary series)
平稳时间序列,是基本上不存在趋势的序列,序列中的各观察值基本上在某个固定的水平上波动,在不同时间段波动程度不同,但不存在某种规律,随机波动
(2)非平稳序列(non-stationary series)
非平稳序列,是包含趋势、季节性或周期性的序列,只含有其中一种成分,也可能是几种成分的组合。
可分为:有趋势序列、有趋势和季节性序列、几种成分混合而成的复合型序列。
时间序列中的趋势可以是线性和非线性。
季节性(seasonality):季节变动(seasonal fluctuation),是时间序列在一年内重复出现的周期波动。销售旺季,销售淡季,旅游旺季、旅游淡季,因季节不同而发生变化。季节,不仅指一年中的四季,其实是指任何一种周期性的变化。含有季节成分的序列可能含有趋势,也可能不含有趋势。
四、 间序列分解模型
时间序列 y y y可以表示为以上四个因素的函数,即: y t = f ( T t , S t , C t , I t ) y_t=f(T_t,S_t,C_t,I_t) yt=f(Tt,St,Ct,It)
时间序列分解的方法有很多,较常用的模型有加法模型和乘法模型。
加法模型
y t = T t + S t + C t + I t y_t=T_t+S_t+C_t+I_t yt=Tt+St+Ct+It
乘法模型
y
t
=
T
t
×
S
t
×
C
t
×
I
t
y_t=T_t\times S_t\times C_t\times I_t
yt=Tt×St×Ct×It
加法模型和乘法模型均以长期趋势为基础。
在加法模型中,各种变动值与序列值的单位相同;
而在乘法模型中,除长期趋势值与序列值的单位相同外,其他各种变动都是对于长期趋势值的系数。
五、时间序列预测法步骤
- 收集历史资料,并加以整理,编成时间序列,并根据时间序列绘成统计图。
- 分析时间序列。时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。
- 求时间序列的长期趋势、季节变动和不规则变动值,并选定近似的数学模式来代表他们。对于数学模式中的未知参数,使用合适的技术方法求出其值。
- 求出数学模型后,利用它来预测未来的长期趋势值T和季节变动值S,在可能的情况下预测不规则变动值I。然后利用以下公司计算出未来的时间序列的预测值Y:
参考
- 《Python3数据分析与机器学习实战》
- 贾俊平《统计学》