时间序列常用方法

时间序列分析基本特征：
http://wiki.mbalib.com/wiki/%E6%97%B6%E9%97%B4%E5%BA%8F%E5%88%97%E9%A2%84%E6%B5%8B%E6%B3%95


1.时间序列分析法是根据过去的变化趋势预测未来的发展,它的前提是假定事物的过去延续到未来。


2.时间序列数据变动存在着规律性与不规律性。


时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果。
从这些影响因素发生作用的大小和方向变化的时间特性来看,这些因素造成的时间序列数据的变动分为四种类型。


(1)趋势性:某个变量随着时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向,但变动幅度可能不相等。


(2)周期性:某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。


(3)随机性:个别为随机变动,整体呈统计规律。


(4)综合性:实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动,突出反映趋势性和周期性变动。



时间序列预测法的分类：


（1）简单序时平均数法 也称算术平均法。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。
这种方法基于下列假设：“过去这样，今后也将这样”，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。
如果事物呈现某种上升或下降的趋势，就不宜采用此法。


简单时间序列法的计算公式
　　简单时间序列法公式：


　　F(T+1)=(1 / N) * Σ X（I）


　　X（I）为时间序列的第I期的实际值


　　F(T+1)为预测值


　　N为平均的个数


　　T为预测的年份


　　注：时间序列周期数选3


　　例：1979、1980、1981年的销售额分别为2000、2100、2250，则1982年为（2000+2100+2250）/3




（2）加权序时平均数法：就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。


（3）简单移动平均法：就是相继移动计算若干时期的算术平均数作为下期预测值。


（4）加权移动平均法：即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。
加权平均法的计算公式如下：


　　Y_{n+1}=\sum^{n+1}_{i-n-k+1}Y_i x_i


　　式中：


　　Yn + 1——第n+1期加权平均值；


　　Yi——第i期实际值；


　　x_i——第i期的权数（权数的和等于1）；


　　n——本期数；


　　k——移动跨期；


　　用加权移动平均法求预测值，对近期的趋势反映较敏感，但如果一组数据有明显的季节性影响时，
    用加权移动平均法所得到的预测值可能会出现偏差。因此，有明显的季节性变化因素存在时，最好不要加权。


n的选取：
　　移动步长n的大小对移动平滑结果起决定性作用，选好n是加权移动平均法的关键。
n值取得太小，模型灵敏度高，能较灵敏地反映近期的变化趋势，但也可能对随机干扰反映过度灵敏，
据此得到的考核数据起伏剧烈，从而可能造成对被考核对象的误判；n取得大时，对时间序列中包含
的随机变动的敏感性过低，以致不能敏锐地反映近期的变化趋势。


（5）指数平滑法：指数平滑法是在移动平均法基础上发展起来的一种时间序列
分析预测法，它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。
其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。
即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。
此法实质是由内加权移动平均法演变而来的一种方法，优点是只要有上期实际数和上期预测值，
就可计算下期的预测值，这样可以节省很多数据和处理数据的时间，减少数据的存储量，方法简便。
是国外广泛使用的一种短期预测方法。


指数平滑法的基本公式
　　指数平滑法的基本公式是：S_t=a\cdot y_t+(1-a)S_{t-1} 式中，
St--时间t的平滑值；
yt--时间t的实际值；
S_{t-1}--时间t-1的平滑值；
a--平滑常数，其取值范围为[0,1]；
　　由该公式可知：


　　1.St是yt和S_{t-1}的加权算数平均数，随着a取值的大小变化，决定yt和S_{t-1}对St的影响程度，当a取1时，St = yt；当a取0时，St = S_{t-1}。


　　2.St具有逐期追溯性质，可探源至S_{t+1}为止，包括全部数据。其过程中，平滑常数以指数形式递减，故称之为指数平滑法。指数平滑常数取值至关重要。
平滑常数决定了平滑水平以及对预测值与实际结果之间差异的响应速度。平滑常数a越接近于1，远期实际值对本期平滑值影响程度的下降越迅速；平滑常数a越接近于 0，
远期实际值对本期平滑值影响程度的下降越缓慢。由此，当时间数列相对平稳时，可取较大的a；当时间数列波动较大时，应取较小的a，以不忽略远期实际值的影响。
生产预测中，平滑常数的值取决于产品本身和管理者对良好响应率内涵的理解。


　　3.尽管St包含有全期数据的影响，但实际计算时，仅需要两个数值，即yt和S_{t-1}，再加上一个常数a，这就使指数滑动平均具逐期递推性质，从而给预测带来了极大的方便。


　　4.根据公式S_1=a\cdot y_1+(1-a)S_0，当欲用指数平滑法时才开始收集数据，则不存在y0。无从产生S0，自然无法据指数平滑公式求出S1，指数平滑法定义S1为初始值。初始值的确定也是指数平滑过程的一个重要条件。


　　如果能够找到y1以前的历史资料，那么，初始值S1的确定是不成问题的。数据较少时可用全期平均、移动平均法；数据较多时，可用最小二乘法。但不能使用指数平滑法本身确定初始值，因为数据必会枯竭。


　　如果仅有从y1开始的数据，那么确定初始值的方法有：


　　1）取S1等于y1；


　　2）待积累若干数据后，取S1等于前面若干数据的简单算术平均数，如：S1=（y1+ y2+y3）/3等等。




指数平滑的预测公式：
　　据平滑次数不同，指数平滑法分为：一次指数平滑法、二次指数平滑法和三次指数平滑法等。


（一） 一次指数平滑预测
　　当时间数列无明显的趋势变化，可用一次指数平滑预测。其预测公式为：


　　yt+1'=ayt+(1-a)yt' 式中，


yt+1'--t+1期的预测值，即本期（t期）的平滑值St ；
yt--t期的实际值；
yt'--t期的预测值，即上期的平滑值St-1 。
　　该公式又可以写作：yt+1'=yt'+a(yt- yt')。可见，下期预测值又是本期预测值与以a为折扣的本期实际值与预测值误差之和。


（二） 二次指数平滑预测
　　二次指数平滑是对一次指数平滑的再平滑。它适用于具线性趋势的时间数列。其预测公式为：


　　yt+m=(2+am/(1-a))yt'-(1+am/(1-a))yt=(2yt'-yt)+m(yt'-yt) a/(1-a)


　　式中，yt= ayt-1'+(1-a)yt-1


　　显然，二次指数平滑是一直线方程，其截距为：(2yt'-yt)，斜率为：(yt'-yt) a/(1-a),自变量为预测天数。


（三） 三次指数平滑预测
　　三次指数平滑预测是二次平滑基础上的再平滑。其预测公式是：


　　yt+m=(3yt'-3yt+yt)+[(6-5a)yt'-(10-8a)yt+(4-3a)yt]*am/2(1-a)2+ (yt'-2yt+yt')*a2m2/2(1-a)2


　　式中，yt=ayt-1+(1-a)yt-1


　　它们的基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。


指数平滑法的趋势调整
　　一段时间内收集到的数据所呈现的上升或下降趋势将导致指数预测滞后于实际需求。通过趋势调整，添加趋势修正值，可以在一定程度上改进指数平滑预测结果。调整后的指数平滑法的公式为：


　　包含趋势预测(YITt)=新预测（Yt）+趋势校正（Tt）


　　进行趋势调整的指数平滑预测有三个步骤：


　　1、 利用前面介绍的方法计算第t期的简单指数平滑预测（Yt）；


　　2、 计算趋势。其公式为： Tt=(1-b)Tt-1+b(Yt-Yt-1)其中，


Tt=第t期经过平滑的趋势；
Tt-1=第t期上期经过平滑的趋势；
b=选择的趋势平滑系数；
Yt=对第t期简单指数平滑预测；
Yt-1=对第t期上期简单指数平滑预测。
　　3、计算趋势调整后的指数平滑预测值（YITt）。计算公式为：YITt=Yt+Tt。


一次指数平滑法针对没有趋势和季节性的序列，二次指数平滑法针对有趋势但 没有季节性的序列。
术语“Holt-Winters法”有时特指三次指数平滑法。三次指数平滑法添加第三个量，用来描述季节性
只有当序列的长度较短时，我们才需要慎重考虑初始值的选取。

（6）自回归模型(AR)：

不全面，会继续补充。