PYTHON数据分析—时间序列

数据类型

截面数据：在某个时间点的观察到的值
时间序列数据：观察某一个变量的时间戳序列
注意：不是所有的时间序列数据都可以预测

预测分析方法

定性预测分析：做趋势判断

专家的主观看法
主观的曲线拟合：产品的生命周期的拟合曲线
主观的将先前的模式延续到未来

定量预测分析：

经济计量（统计预测方法）
时间序列方法：
判断是否可以预测
影响因子Y是什么
回归模型得到截面点的数据结果
不太正式或直观的方法
奈福预测模型（只关注趋势，不太准确）

市场预测分析

主要用于对市场的分析预测，即判断一种新产品，是否适合投入市场或者被市场接受的概率。

判断调整的统计型预测

根据实际数据，再用定量、定性、市场预测等方式进行调整

预测流程

1. 问题定义
2. 搜集信息
3. 定义性能度量值
4. 初步数据分析
5. 选择和测试模型
6. 预测模型的应用和评价：预测评估的准确性，并执行决策

什么是数据

数据包括一下信息或者知识：数字数据，图像、视频、声音、文本等。
数据类型：分类数据、数值数据。

python 绘图：

所有的绘制功能都可以导入：
import matplotlib.pyplot as plt

时间序列的组成

1. 趋势：多个散点组成的大致图形。
2. 周期：没有周期就假定周期变化微不足道
3. 季节性变化，定义为M
4. 不规则的波动：随机、突发、不确定

方法论

NAVIE方法论

找到最近的合理值或者最近一个季节性的合理值。

移动平均方法论（MA）

选取附近的几个单点值进行合并，选取平均值。
以K为周期进行计算，关于K的选择：
较重的滤波与响应性。
K值越大，新数值越集中，波动越平缓，K越大，舍弃的原始值就越多。

奇数对和偶数对移动平均

奇数：奇数对移动平均MA是中心对称的：

偶数：MA-2K 即K=2,MA-4。
以Yt和Y(t+1) 分别为中心，求出之后再求平均

加权移动平均（WMA-K）

之前是等权重，这是有加权的移动平均。

知识点1：时间序列分解的加法与乘法模型

时间序列包括：趋势、周期、季节、无规则部分，分解时间序列就是把时间序列分解成这几个部分，然后进行评估。


加法模型假定四个因素相互独立，每个成分以绝对值表示
乘法模型，这些因子相互作用
如果季节性的变化随着趋势变化而变化（季节性的浮动随着趋势增加而增加），建议用乘法模型

知识点2：时间序列分解的步骤

四个因子中的某些因子可以先进行合并