时间序列matlab的实现

因为网上很多的资料都不全或者不能解决我的问题，所以专门记录完整的步骤。
一、时间序列预测
时间序列预测法其实是一种回归预测方法，属于定量预测，其基本原理是:一方面承认事物发展的延续性，运用过去的时间序列数据进行统计分析，推测出事物的发展趋势；另一方面充分考虑到由于偶然因素影响而产生的随机性，为了消除随机波动产生的影响，利用历史数据进行统计分析，并对数据进行适当处理，进行趋势预测。
二、判断序列是否可以使用时间序列预测
首先从时间的角度可以把一个序列基本分为3类：

1.纯随机序列（白噪声序列），这时候可以停止分析，因为就像预测下一次硬币哪一面朝上一样毫无规律。

2.平稳非白噪声序列，它们的均值和方差是常数，对于这类序列，有成熟的模型来拟合这个序列在未来的发展状况，如AR，MA，ARMA等（具体模型算法及实现在后面）

3.非平稳序列，一般做法是把他们转化为平稳的序列，在按照平稳序列的算法进行拟合。如果经过差分后平稳，则应使用ARIMA模型进行拟合。下面需要知道你的序列属于哪一种（平稳性检验）
（1）单位根检验
函数：adftest(A)
结果为0，则序列为非平稳
（2）Daniel检验
对于显著性水平A，计算时间序列的秩相关系数q，若T大于二分a数，则认为序列非平稳。
函数：RT = tiedrank(a);
n = length(a);t = 1:n;
q = 1-6/(n*(n^{2-1))*sum((t-Rt).}2)
T = Qs*sqrt(n-2)/sqrt(1-q^2);
t_0 = tinv(0.975,n-2)
三、选择模型
平稳的序列自相关图和偏自相关图不是拖尾就是截尾。

截尾就是在某阶之后，系数都为 0 。
拖尾就是有一个衰减的趋势，但是不都为 0 。

如果自相关是拖尾，偏相关截尾，则用 AR 算法

如果自相关截尾，偏相关拖尾，则用 MA 算法

如果自相关和偏相关都是拖尾，则用 ARMA 算法， ARIMA 是 ARMA 算法的扩展版，用法类似 。
四、介绍ARIMA模型
1.目前最常用的拟合平稳序列的模型为ARMA（Autoregressive moving average）模型，全称是自回归移动平均模型，他又可以分为AR模型，MA模型和ARMA模型三大类。
（1）自回归AR§模型

自回归模型描述的是当前值与历史值之间的关系。
（2）移动平均MA(q)模型

移动平均模型描述的是自回归部分的误差累计。
（3）ARMA(p,q)模型
ARMA(p,q)模型中包含了p个自回归项和q个移动平均项，ARMA(p,q)模型可以表示为：

当q=0时，是AR§模型
当p=0时，是MA(q)模型
（4）一般分析步骤：

（5）如果数据非平稳，需要转化为平稳序列，可采用差分方法
函数：diff（x）
并结合自相关和偏相关图分析
函数：
figure(1)
autocorr(x)
figure(2)
parcorr(x)
（6）matlab的arima函数
完整代码：

%% 时间序列预测
%输入原始数据
A = [970279
1259308
1127571
1163959
1169540
1076938
991350
953275
951508
904434
889381
864015
836236
]';
%判断是否平稳，使用ADF检验
h = adftest(A)
%B = dtrend(A)
B = diff(A)
H = adftest(B)
figure(1)
autocorr(B)
figure(2)
parcorr(B)
x = A;
w = B;
n = 2;
s = 1;
m1 = length(A); %原始的数据的个数
for i = s+1:m1
    y(i-s) = x(i) - x(i-s);%进行周期差分变换
end
ToEstMd = arima('ARLags',1,'MALags',1:1,'Constant',0);%指定模型的结构
[EstMd,EstParamCov,LogL,info] = estimate(ToEstMd,w');%模型拟合 
w_Forecast = forecast(EstMd,n,'Y0',w');
yhat = y(end) + cumsum(w_Forecast); %一阶差分的还原值
for j = 1:n
    x(m1 + j) = yhat(j) + x(m1+j-s); %x的预测值
end
x(1:end)