CNN做时间序列预测_时间序列 | 第七章 模型预测

朋友们，时间序列又回来了~

我好难过，我们时间序列的课程下半个学期换了一个老师，原来的老师有事去了o(╥﹏╥)o，新老师虽然也好，但是我还是喜欢原来老师的方式和节奏呀，一个点一个点的超级清楚。我们统计系的没有上过任何的金融课程，可是新老师能给我们扯半节课的金融，我真的一点都听不懂啊。。。那个什么EMH。。。我都怀疑她是不是金融系派过来的卧底。。。

为了和老师课件保持一致，我们后边的记号发生变化了：对于时间序列，不再用

，而是使用

; 对于白噪声，不再使用

，而是使用

。

---

最小均方误差预测

老师上课讲的证明我不太赞同，她的条件期望用的好奇怪，我决定还是按照书上的方法来理解这个证明。

• 首先我们来看一个很简单的最小化问题：

假设

为均值

，方差

的随机变量。现在我们想用一个常数

来预测

，为了找到最佳的常数

，我们得制定一个衡量最佳的规则——这个规则就是最小化我们的预测均方误差，也就是使得随机变量与预测值离差平方和的期望最小。具体需要最小化的对象如下：

注意到这里的

、

是两个常数，

是

的函数，于是我们对

求导，可以得到最优的

。

• 现在，我们决定将问题升级，利用随机变量
  的某一个函数来预测
  ，规则仍然是使得预测均方误差最小。假设我们的函数为
  。具体最小化的目标是：

如果我们仍然像先前那样展开求导，由于不知道函数

的形式，我们没法对

进行求导从而得出最后的结果。但是这里，我们可以使用条件期望。

。对于给定随机变量

的值，

就是一个常数了，于是使得里层期望最小的

等于

。而里层期望最小也必然使得总体期望最小，因此

等于

是最优的预测。

• 那么对于已经观测到的时间序列数据
  ，根据前三章我们已经得到了对应的模型。如果我们想用这个模型来预测
  时刻的值
  ，在最小均方误差规则下，我们的最优预测是：

---

AR(p)模型

AR(p) :

向前一步预测:

向前两步预测：

向前

步预测：

的预测值

，相当于我们从向前第一步预测开始算，然后依次迭代。

，这里

在

的时候为

。

以及方差按照上边同样的方法算就可以了，都是迭代过去的。

---

MA(q)模型

注意：我们这里考虑的是可逆模型，因此，白噪声项

可以写成

的函数，因此，知道了

，就相当于知道了

时刻之前的所有白噪声项。当然，这里只是一个逼近结论。

MA(q):

---

对于ARMA(p,q)，在平稳可逆前提下，我们一般是写成MA(q)再求解。