时间序列 Task 2

手算时间序列

时间序列也成为动态序列，其应用方向可大致分成三个部分，分别是描述过去、分析规律、预测未来。

影响时间序列的因素有四个：长期变动趋势（T）、季节变动规律（S）、周期变动规律（C）、不规则变动（I）（也称为随机扰动项）。四种变动与指标数值最终变动的关系可能是叠加关系，也可能是乘积关系。

移动平均法是根据时间序列资料逐渐推移，依次计算包含一定项数的时序平均数，以反映长期趋势的方法。当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法，消除这些因素的影响，分析、预测序列的长期趋势。移动平均法有简单移动平均法， 加权移动平均法， 趋势移动平均法等。

一、简单移动平均法

当历史序列的基本趋势变化不大且序列中随机变动成分较多时， N 的取值应较大一些。否则 N 的取值应小一些。在有确定的季节变动周期的资料中，移动平均的项数应取周期长度。选择最佳 N 值的一个有效方法是，比较若干模型的预测误差。预测标准误差最小者为好。简单移动平均法只适合做近期预测，而且是预测目标的发展趋势变化不大的情况。如果目标的发展趋势存在其它的变化，采用简单移动平均法就会产生较大的预测偏差和滞后。

二、加权移动平均法

思想：每期数据包含的信息量不一样，近期数据包含着更多关于未来情况的信息，所以应该对每期数据赋予不同的权重。

三、趋势移动平均法

上述两种方法适用于时间序列没有明显的趋势变动。当时间序列出现直线增加或减少的变动趋势，如果还采用上述两种方法可能会出现滞后偏差。因此，需要进行二次移动平均，利用移动平均滞后偏差的规律来简历直线趋势的预测模型。

平滑系数推导

四、指数平滑法

一次平均认为N期数据对未来值影响相同，二次及更高次移动平均数的权数不相同，且次数越高，权数的结构越复杂。但是权数具有对称性，就是两端项权数小，中间项权数大，不符合一般系统的动态性。所以可以用指数平滑法。

1、一次指数平滑法

• 指数平滑法对实际序列具有平滑作用，权系数（平滑系数）a 越小，平滑作用越强，但对实际数据的变动反应较迟缓。
• 在实际序列的线性变动部分，指数平滑值序列出现一定的滞后偏差的程度随着权系数（平滑系数）a 的增大而减少，但当时间序列的变动出现直线趋势时，用一次指数平滑法来进行预测仍将存在着明显的滞后偏差。因此，也需要进行修正。修正的方法也是在一次指数平滑的基础上再进行二次指数平滑，利用滞后偏差的规律找出曲线的发展方向和发展趋势，然后建立直线趋势预测模型，故称为二次指数平滑法。

2、二次指数平滑法

要点：
平滑系数的确定一般用最后一期数据的平滑系数。

3、三次指数平滑法

当时间序列的变动表现为二次曲线趋势时，则需要用三次指数平滑法。三次指数平滑是在二次指数平滑的基础上，再进行一次平滑。

加权系数a的选择

在指数平滑法中，预测成功的关键是a的选择。a的大小规定了在新预测值中新数据和原预测值所占的比例。a值愈大，新数据所占的比重就愈大，原预测值所占比重就愈小，反之亦然。
根据实践经验， α 的取值范围一般以0.1∼0.3 为宜。 α 值愈大，加权系数序列衰减速度愈快。

• 如果序列的基本趋势比较稳，预测偏差由随机因素造成，则 α 值应取小一些，以减少修正幅度，使预测模型能包含更多历史数据的信息。
• 如果序列的基本趋势比较稳，预测偏差由随机因素造成，则 α 值应取小一些，以减少修正幅度，使预测模型能包含更多历史数据的信息。

另外，由于指数平滑公式是递推计算公式，所以必须确定初始值 S0(1), S0(2), S0(3)。可以取前 3∼5 个数据的算术平均值作为初始值。

指数平滑法优点：

• 1）对不同时间的数据的非等权处理较符合实际情况。
• 2）实用中仅需选择一个模型参数a 即可进行预测，简便易行。
• 3）具有适应性，也就是说预测模型能自动识别数据模式的变化而加以调整。

指数平滑法缺点：

• 1）对数据的转折点缺乏鉴别能力，但这一点可通过调查预测法或专家预测法加以弥补。
• 2）长期预测的效果较差，故多用于短期预测。