【数学建模导论】Task03 时间序列与投资模型

前言

按照时间排下来的序列，如果比较长的话（数据体量大），
一下子看不出什么规律，此时我们就需要用到本篇章的建模方法了。

当然预测模型可以按照以下学习路径

机器学习（多层感知机、卷积） => 时间序列（LSTM、RNN等）

1 时间序列的基本概念

基本概念

顾名思义就是有时间性的序列

典型特征

数据有一个时间列作为索引
（这个时间表示的是一个先后关系）

典型应用

时间序列的建模

时间序列的建模

参数学习：通过模型参数分析这个序列的特征，
从而基于“领域知识”分析序列特点，挖掘出一些有意思的点子

预测：“预测周期”&“预测精度”是一对冲突概念，
如果想要精准预测那么预测周期不能够太长。

• 对天气预报而言，我可以基于历史天气预报未来24小时内的天气情况，并且用序列建模方法可以预测得比较精准；
• 对股票而言，我可以基于其一个月内的股价预测其接下来一周的股价变化。

时间序列的描述

时间序列 Y

鼠标右键 -> 在新标签页中打开图像

2 移动平均法与指数平滑法

移动平均法

鼠标右键 -> 在新标签页中打开图像

移动平均法-建立预测模型

if 预测目标的基本趋势在某一个水平上下浮动，
趋势线是一条水平线而非斜线跟非曲线时

• 使用一次移动平均方法
  

if 预测目标类似于一个线性模型
（也就是趋势线是一条一次函数）

• 使用二次移动平均方法
  

if 预测目标的基本趋势呈周期加线性

• 使用趋势移动平均方法
  

N 的取值：
意味着我们计算了一个窗口长度为 N 的移动平均。
具体来说，对于每个数据点，移动平均值是该点之前（包括该点）最近的 N 个数据点的平均值。

时间序列中如果应用移动平均，
预测序列的数据量会少一个窗口长度

指数平滑法

鼠标右键 -> 在新标签页中打开图像

指数平滑法-建立预测模型

针对没有趋势 T 和季节性 S 的序列

• 使用一次指数平滑法
  

针对有趋势 T 但没有季节性 S 的序列

• 使用二次指数平滑法

针对有趋势 T 也有季节性 S 的序列

• 使用三次指数平滑法
  

时间序列中如果应用指数平滑，
趋势线的长度和原始序列的长度是对齐的

3 ARIMA系列模型

鼠标右键 -> 在新标签页中打开图像

ARIMA (p,d,q) 模型 - 三部分

自回归（AR）模型

差分模型

移动平均（MA）模型

模型最优参数选择 （时间序列模型的定阶）

AIC准则（赤池信息准则）

贝叶斯信息准则

4 GARCH系列模型

鼠标右键 -> 在新标签页中打开图像

ARCH (P) 模型

GARCH (p,q) 模型

Read more

• 数学建模导论 intro-mathmodel
  （知识密度大、代码理论兼备）
  https://datawhalechina.github.io/intro-mathmodel/#/
• Python科学计算 scientific-computing（数学建模导论的前置课程）
  （知识密度小、代码实操强悍）
  https://datawhalechina.github.io/scientific-computing/#/