第11章 时间序列预测
11.1 时间序列的成分和预测方法
一个时间序列由四种要素组成:
趋势(T):时间序列在一段较长时期内呈现出来的持续向上或者向下的变动;
季节变动(S):时间序列呈现出以年为周期长度的固定变动模式;
循环波动(C):时间序列呈现出的非固定长度的周期性变动;
不规则波动(I):时间序列出去上述3者的随机波动。
对于不同的数据模式(T、S、C、I),不同的预测期、不同的数据要求,对应不同的数据预测方法:移动平均、简单指数平滑、Holt指数平滑、一元线性回归、指数模型、多项式函数、Winter指数平滑、分解预测、ARIMA模型等。
11.2 平稳序列的预测
11.2.1 移动平均预测
使用最近k期的数据的均值预测下一时间点的数据。
11.2.2 简单指数平滑预测
Ft+1 = αYt+ (1-α)St,t期的实际值与t期的平滑值(?)加权平均。选取合适的α是关键。
11.3 趋势预测
11.3.1 线性趋势预测
(1)一元线性回归预测
之前介绍的一元线性回归
(2)Holt指数平滑预测
当时间序列存在趋势时,简单指数平滑的预测结果总是滞后于实际值。而Holt模型则改进了这个弱点(只适用于仅存在趋势成分,不包含季节成分)。
平滑值:St= αYt+ (1-α)(St-1 + Tt-1),消除因趋势产生的滞后
趋势项更新:Tt= γ(St- St-1) + (1-γ)Tt-1,对趋势的修正
未来第k期的预测值:Ft+k = St +kTt
11.3.2 非线性趋势预测
(1)指数曲线
yt’ = b0eb1t
对式子取对数,然后看作线性回归,用最小二乘法求参数。
(2)多阶曲线
yt’ = b0 + b1t+ b2t2 +… + bktk
对式子取对数,然后看作线性回归,用最小二乘法求参数。
11.3.3 残差自相关及其检验
时间序列残差经常出现相邻两残差具有相同符号,这表明残差序列自相关,这种情况应该避免使用最小二乘法。
判断残差之间是否自相关,一般使用Durbin-Watson检验(D-W检验):
H0:残差无自相关;H1:残差有自相关
D-W检验统计量:d= Σ(et – et-1)