matlab时间序列

% 模 型   自相关系数   偏自相关系数
% AR(p)     拖尾          p阶截尾
% MA(q)     q阶截尾        拖尾
% ARMA(p,q)  拖尾          拖尾
%AR(p) 模型的平稳性判别
%AR模型是平稳时间序列的拟合模型，但AR模型本身不一定是平稳的 。
mdl = arima('Constant', 0, 'ARLags', [1], 'AR', {0.8}, 'Variance', 1)
x = simulate(mdl,1000);
plot(x)
%考察如下 AR 模型的自相关图(成拖尾则是说明该模型的平稳性好）
mdl = arima('Constant', 0,'ARLags', [1],'AR', {0.8}, 'Distribution', 'Gaussian', 'Variance', 1)
x = simulate(mdl,1000);
autocorr(x)
% 考察如下 AR 模型的偏自相关图(看看是一阶还是二阶截尾）
mdl = arima('Constant', 0,'AR', {0.8},'Distribution', 'Gaussian','Variance', 1)
x = simulate(mdl,1000);
parcorr(x)
% FPE准则法
% • 基本思想:
% 用模型一步预测误差的方差来判定模型的好坏, 方差越小, 认为模
% 型拟合得越好（适用于AR(p)模型）
% 其中 是模型误差的方差，n样本容量，p为模型阶数
% 一般认为FPE p 越小越好.
% MA(1)模型自相关系数一阶截尾Matlab代码：(看是一阶或二阶拖尾）
mdl =arima('Constant', 0,'MALags', [1],'MA', {-0.4},'Variance', 1)
x = simulate(mdl, 1000);
autocorr(x)
% MA(2)模型偏自相关系数拖尾
mdl =arima('Constant', 0,'MALags', [1,2],'MA', {-4/5, 16/25},'Variance', 1)
x = simulate(mdl,1000);
parcorr(x)
%ARMA(p,q) 模型（偏）自相关系数的性质
% 自相关系数和偏自相关系数的性质。
% Matlab代码：
% mdl = arima('Constant', 0, 'AR', {0.5}, 'MA', {-0.8}, 'Variance', 1)
% x = simulate(mdl,1000);
% figure(1), autocorr(x)
% figure(2), parcorr(x)
% AIC准则法
% • 基本思想:
% 既考虑模型对原始数据的预测准确性，也考虑模型中所含待定参数的
% 个数, 适用于ARMA模型的检验
% AIC准则函数：（ARMA(p,q)模型）
% 其中 是模型误差的方差，n 样本容量，p, q 为模型阶数
% 一般认为AIC越小越好.
% • 说明
% 第一项: 体现了模型拟合的好坏, 它随着阶数的增大而减小
% 第二项: 体现了模型本身的复杂程度, 它随着阶数的增大而变大

% 时间序列数据的平稳性检验
% [h, p] = adftest(X)
%  检验时序数据 X 是否趋势平稳（原假设为：有单位根，不平稳）。
%  h=0 表示接受原假设，即X不平稳；
% h =1 表示拒绝原假设，即可以认为X平稳；
%  p 为统计量的相伴概率。
%  残差序列的白噪声检验
% [h, p] = lbqtest(res)
%  检验残差序列 res 是否存在自相关性（原假设为：不存在自相关性，是白噪
% 声序列）。
%  h=0 表示接受原假设，即认为res是白噪声序列；
% h =1 表示拒绝原假设，即认为res不是白噪声序列；
%  p 为统计量的相伴概率。
% 主要检验残差序列是否为白噪声序列，是否存在自相关性。这里介绍Ljung-
% Box Q方法：