11.预测算法---时间序列分析

时间序列也称动态序列，是指将某种现象的指标数值按照时间顺序排列而成的数值序列。时间序列分析大致可分成三大部分，分别是描述过去、分析规律和预测未来，三种模型：季节分解、指数平滑方法和ARIMA模型，并将结合Spss软件对时间序列数据进行建模。

1.引入

（1）定义

对同一对象在不同时间连续观察取得的数据，比如每年的GDP。由时间要素如年，月日，小时，分钟，和数值要素共同组成。

（2）分类

• 时期时间序列 ：一定时期内发展的结果 历年来的GDP
• 时点时间序列 ： 一定时点上的瞬间水平，每隔一个小时测的温度数据

区分：时期序列可加，相加结果表示在更长一段时间内的总量，而时点序列不可加

（3）时间序列分解变化规律

• 长期趋势（T），在相当长的一段时间内，受到长期趋势影响因素的影响，表现出持续上升或持续下降的趋势。

• 季节趋势（S）由于季节转变使得指标值发生周期性变动
  季节是广义是，一般以月，季，周未时间序列，不能以年为单位，例如雪糕和棉衣

  数据来源—百度指数 http://index.baidu.com/v2/index.html#/
  

• 循环变动（C）：区分上面，季节变动，周期不同，通常以若干年为周期

在曲线图上表现为波浪式的周期变动，这种周期变动的特征变现为增加和减少交替出现，但并不具有严格的周期性持续变动，最典型的周期案例就是市场经济的商业周期和整个国家的经济周期。

• 不规则变动（I）：某些随机因素导致的数值变化，因素的作用是不可预知和没有规律的，可以看成是因为多种偶然因素对时间序列造成的影响，在回归中被称作扰动项

（4）叠加模型和乘积模型

四种规律组合的不确定性也造成了时间序列的多样性。
变动和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。

• 如果四种变动是相互独立的关系，是叠加模型
• 如果四种变动有相互影响关系，应该使用乘积模型。

最终变动=长期趋势变动+季节变动+循环变动+不规则变动， 或者是乘。

在具体的时间序列上，如果随着时间的推移，序列的季节波动变得越来越大，则反应各种变动之间的关系发生变化，建议使用乘积模型，通过时间序列图的波动保持恒定，可以直接用叠加模型，当然，如果不存在季节波动，则两种都可以

（5）使用时间序列分解的条件

数据有周期性，才可以使用时间序列分解，且对月份数据和季度数据 才可以，参考上面的季节变动趋势， 如果是年份数据就不行。

（6）用spss建立时间序列模型

1.缺失值处理
缺失值在时间序列的开头或者尾部，可以采用直接删除的方法，通过缺失值在数列的中间，则不能删除，采用插值方法。其中插值方法有序列平均值，临近点的平均值，中位数（可以用多个数据），线性插值（用相邻平均值）临近点的线性趋势
2. 定义时间变量
确定个案的类型和开始时间便于分析和作图。

3. 画时间序列图和分解
先画一个完整的趋势图来看季节变化趋势，如果变化稳定就用加法模型，不稳定就用乘法模型。

对表和图要进行一定的解释，可以看出变化幅度差不多，考虑采用加法模型，下面再进行季节性分解。

（7）加法模型和乘法模型

四个参数分别表示的含义
I 不规则变动
T+C+I 季节性调整后系列
S 季节性调整因子
T+C 趋势循环成分

对于加法模型，得到的季节因子表示每个季度相比于全年平均水平多或者少。对销量数据进行加法分解得到的季节因子加起来是为1。
而对于乘法模型，得到的乘法因子的积为1，表是该季度的季节因子 是平均销量的多少倍。

（8）季节分解后如何去预测呢

得到了四个趋势对应的趋势图，就可以考虑采用合适的模型去拟合，进而预测得到后面的数据。
为什么不直接预测，而是要分解呢，因为分解后的曲线可以更好拟合。画出序列图，分解可以对于单独某个元素进行建模

（9）时间序列分解的总结

序列图，判断变动充分，
序列分解，周期性，长期趋势，季节变动，循环变动
建立时间分析模型
预测未来指标数值

2.建立时间序列分析模型

（1）专家建模器

spss中有专家建模器 ，包括指数平滑法模型，ARIMA模型，可以自动检测离群值。
合适条件下利用平方，自然对数转换对模型变量进行转换。

（2）简单指数平滑法 ARIMA（0，1，1）

1.每一个平滑后的数据都是从过去的数据加权求和后得到，越接近当期的数据，权值越大，说明距离当期越接近的数据，对当期的影响也越大，反之，越早期的数据，对单期的影响越小

2.适用于不含趋势和季节模型
3. 其中平滑系数α选取原则：
起伏变化，长期趋于稳定，比较小（0.02-0.05）
迅速变化倾向，比较大）（0.3-0.5）
变化缓慢，较小（0.1-0.4）
4.特点： 用这公式只可以预测一期，后面预测结果都是一样
在时间预测模型中会出现可能会出现这样的现象：预测到某个值后，后面的数值和前面的一样。

（3）霍特线性趋势模型 （ARIMA(0,2,2))

1.用在含有线性趋势和不含有季节趋势的条件下
相比于上面的多了趋势平滑参数和对应方程才可以得到预测方程。

其中布朗线性趋势模型是水平和趋势平滑参数相等的特殊情况。

（4）阻尼趋势模型（ARIMA(1,1,2))

1.适合用在线性趋势逐渐减弱且不含有季节充分的时间序列上。在霍特线性趋势模型上进行修正，因为霍特线性趋势模型倾向于对未来预测值过高，特别是对于长期预测。

所以在这里引入了阻尼效应，用来缓解较高的线性趋势，这里有三个参数水平，趋势，加阻尼，阻尼为1时就是霍特线性趋势。阻尼参数越小，阻尼越大。

（5）简单季节性 SARIMA（0，1，1）X（0，1，2）s

适用在含有稳定的季节成分，不含趋势。
seasonal 季节性，在水平平滑的基础上季节平滑。

（6）温特加法模型

含有线性趋势和稳定的季节成分，较上面多了趋势平滑方程

（7）温特乘法

含有线性趋势和不稳定的季节充分。不稳定就是变化有多有少。

言之有理选择就可以。系数不显著也没有关系对于预测性回归。解释性回归需要系数的显著。预测型不需要，其中要注意比较预测效果的好坏。

3. 关于arima模型的一些知识点

一元时间序列分析模型

（1） 时间的平稳性

严格平稳要求太高，因此在时间序列中提到的平稳没有特殊说明默认为弱平稳。

协方差平稳，弱平稳（默认）
时间序列中的白噪声序列（扰动项），一般都是被假设成扰动项序列。

（2）差分方程

把某个时间序列变量表示为改变了的滞后项，时间和其他变量的函数，这样一个函数方程称作差分方程。
差分方程的齐次部分：只包含该变量自身和它的滞后项的式子。
差分方程的齐次解帮助我们确认时间序列是否平稳

（3）滞后算子

（4）AR（p） 模型

平稳的条件

（5）MA(q)模型

从上面的计算步骤可以看出：我们可以将1阶移动平均模型转换为无穷阶的自回归模型，这一性质称为移动平均模型的可逆性；类似的，我们在某些条件下（可逆性条件）也可以将MA(q)模型也转换为无穷阶的自回归过程。
一般地，任何经济变量的时间序列都可以自回归过程来描述。但在模型分析的实践中，为简化估计参数的工作量，我们当然希望模型当中的参数尽可能地少。于是便有了引进移动平均过程MA(q)的必要。

（6）ARMA（p,q)

自回归移动平均模型：设法把自回归中AR和移动平均过程MA结合起来，共同模拟产生既有时间序列样本数据的那个随机模拟的过程，平稳性只和自回归AR（p）部分有关

检查时间序列是否平稳

（7）ACF自相关系数

（8）PACF偏自相关系数

用来衡量开始和末尾变量剔除中间变量对相关性的影响。

（9）模型的识别

正确识别ARMA模型的阶数存在一定难度。

（10）ARMA模型的选择

模型选择，加入参数越多，模型拟合效果越好，但却以提高模型复杂程度为代价，且加入还可能有过拟合问题。
因此，再模型复杂度和模型对数据的解释能力之间寻找平衡。

检验模型是否完全识别
Q检验看残差是否为白噪声，如果是则识别完全，不是就没有识别完全、

ARIMA（p,d,q)模型

差分自回归移动平均模型，其中差分可以使得时间序列平稳
为什么要用滞后算子来表示，使得表示更加方便。其中d表示差分次数，可以使得序列平稳

季节的SARIMA模型

ARIMA模型能够对广泛的季节数据进行建模。季节ARIMA模型是通过在ARIMA模型中包含额外的季节性项而生成

总结建模思路

（1）处理数据的缺失值问题、生成时间变量并画出时间序列图；
（2）数据是否为季度数据或者月份数据（至少有两个完整的周期，即两年），如果是的话则要观察图形中是否存在季节性波动。
（3）根据时间序列图大致判断数据是否为平稳序列（数据围绕着均值上下波动，无趋势和季节性）
（4）打开Spss，分析‐‐时间序列预测—创建传统模型
Spss专家建模器得出的最优的模型类型。
（5）如果最后的结果是ARIMA(p,0,q)模型，那么我们就可以画出时间序列的样本
ACF和PACF图形进行分析；如果得到的是ARIMA(p,1,q)模型，我们可以先对数据进行1阶差分后再用ACF和PACF图形分析；如果得到的结果与季节性相关，那么我们可以考虑使用时间序列分解。

实例1 销量数据预测

季度数据，不平稳，有向上的趋势；

Spss的专家建模给出的最合适的模型是温特加法模型；意味着原时间序列数据含有线性趋势和稳定的季节成分，我们可以使用加法时间序列分解；对未来两年的销售数据
进行预测。

预测值和拟合值是不相同的，预测值是将样本外年份的数据带入模型计算得到的，而拟合值是将样本的年份重新带入模型计算得到的。
这里保留残差的ACF和PACF图形可以帮助我们判断残差是否为白噪声，即该时间序列是否能被模型识别完全。

一般比较两个模型的好坏，我们可以使用平稳的R方或者标准化
BIC（BIC准则），这两个指标既考虑了拟合的好坏，又考虑了模型的复杂度；
R方可用来反映线性模型拟合的好坏，越接近于1拟合的越准确。
最后得到结果

预测两要：
一要结合背景；
二要合理假设。
预测两不要：
不要硬套模型；
不要不做解释。

自回归条件异方差模型-适用于波动性聚集，但是长期来看数据平稳。

短期来看方差不稳定，条件异方差，从传统的ARMA模型识别不出来，需要用ARCH模型。适用于现代高频金融时间序列中。用于股票预测。

ARCH模型是在ARMA模型的基础上提出来的，两者的区别在于扰动项的设置不同，在ARMA
模型中扰动项是最简单的白噪声序列。对于波动性聚集存在异方差的问题的解决。处理就是在扰动项会有区别。