时间序列分析

一、概念

时间序列是按时间顺序排列的、随时间变化且相互关联的数据序列。分析时间序列的方法构成数据分析的一个重要领域，即时间序列分析。

二、时间变动类型

（1）长期趋势。它是指时间序列朝着一定的方向持续上升或下降，或停留在某一水平上的倾向，它反映了客观事物的主要变化趋势。
（2）季节变动。当时间序列中的数据受到季节性因素（例如一年的时间或者一周的时间）的影响时，表示该序列具有 季节性 。季节性总是一个已知并且固定的频率。由于抗糖尿病药物的成本在年底时会有变化，导致上述抗糖尿药物的月销售额存在季节性。
（3）周期变动。通常是指周期为一年以上，由非季节因素引起的涨落起伏波形相似的波动。
（4）平稳性 / 随机性：当数据没有明显的模式特征的话，我们认为它是平稳的，Y值在一个范围内随着时间上下浮动。

当数据的波动是无规律的，循环周期是不确定的但是有这个趋势，表示序列存在周期性；
如果波动的频率不变并且与固定长度的时间段有关，表示序列存在季节性。

以下四个示例分别是上述特征的不同组合：

1. 美国新建房屋销售额（左上）表现出强烈的年度季节性，以及周期为6~10年的周期性。但是数据并没有表现出明显的趋势。
2. 美国国债价格（右上）表示1981年美国国债在芝加哥市场连续100个交易日的价格。可以看出，该序列并没有季节性，但是有明显下降的趋势。假如我们拥有该序列更多的观测数据，我们可以看到这个下降的趋势是一个长期循环的一部分。但是现在我们只有连续100天的数据，它表现出下降的趋势。
3. 澳大利亚月度电力产值数据（左下）明显表现出向上增长的趋势，以及强季节性。但是并不存在周期性。
4. Google收盘股价格（右下）的价格波动没有趋势，季节性和周期性，但是具有平稳性。随机波动没有良好的形态特性，不能很好地预测。

三、处理方法

1、移动平均法(不推荐)

（1）简单移动平均法
（2）加权移动平均法
（3）趋势移动平均法

2、指数平滑法

（1）一次指数平滑法：曲线平稳
（2）二次指数平滑法：曲线一次变化趋势
（3）三次指数平滑法：曲线二次变化趋势

以上三种方法都只适用于无季节性，无周期性的单参数情况。多参数情况，以至于加法模型和乘法模型，可以参见：时间序列分析笔记

3、差分指数平滑法

（1）一次差分指数平滑法：曲线一次变化趋势
（2）二次差分指数平滑法：曲线二次变化趋势

4、自适应滤波法

使用机器学习方法，降低权重的误差。

5、趋势外推预测法

使用曲线特征以及自然规律得到特定公式，进行预测。
（1）修正指数曲线法:初期增长迅速，随后增长率逐渐降低。
（2）Compertz 曲线:初期增长缓慢，以后逐渐加快。当达到一定程度后，增长率又逐渐下降。
（3）Logistic 曲线（生长曲线）:初期增长缓慢，以后逐渐加快。当达到一定程度后，增长率又逐渐下降。

6、ARMA模型

//TODO
日后填坑。。。
金融时间序列分析入门
金融时间序列分析：1. 基础知识
关于ARMA模型的R语言实现