时间序列python

  1. 平稳性检测
    平稳性的定义:围绕一个常数上下波动且波动范围有限,即有常数均值和常数方差。如果有明显的趋势或者周期性,那它通常不是平稳序列。检测方法有三种:
    (1)时序图检测
    (2)自相关系数和偏相关系数>>>>>>通过spss
    截尾:就是在某阶之后,系数都为0
    拖尾:就是有一个缓慢衰减的趋势,但是不都为0

2.不平稳的处理方法
差分法:一阶差分指的是原序列值相距一期的两个序列之间的减法运算;K阶差分就是相距K期的两个序列值之间相减。

3.纯随机性检验
对于纯随机序列,又称白噪声序列,序列的各项数值之间没有任何相关关系,序列在进行完全无序的随机波动,可以终止对该序列的分析。白噪声序列是没有消息可提取的平稳序列。

对于平稳非白噪声序列,它的均值和方差是常数。通常是建立一个线性模型来你和该序列的发展,借此提取该序列的有用信息。ARMA模型是最常用的平稳序列拟合模型。

二、平稳时间序列建模
某个时间序列经过处理,被盘点为平稳非白噪声序列,就可以进行时间序列建模

建模步骤:
(1)计算出该序列的自相关系数(ACF)和偏相关系数(PACF)
(2)模型识别,也成模型定阶。根据系数情况从AR(p)模型,MA(q)模型、ARMA(p,q)模型、ARIMA(p,d,q)模型中选择合适模型,其中p为自回归项,d为差分阶数,q为移动平均项数。

(3)估计模型中的未知参数的值并对参数进行检验
(4)模型检验;
(5)模型优化
(6)模型应用:进行短期预测

例子

coding:utf-8
#arima模型
import pandas as pd
#参数初始化
disfile='e:/data.xls'
#读取数据,指定时间列为指标,pandas自动将“日期”列识别为Datetime格式
data=pd.read_excel(disfile,index_col=u'日期')
#时序图
import matplotlib.pyplot as plt
#用来正常显示中文标签
plt.rcParams['font.sans-serif']=[SimHei']
#用来正常显示负号
plt.rcParams['axes.unicode_minus'] = False 
data.plot()
plt.show()

#自相关图
from statsmodels.graphics.tsaplots import plot_acf
plot_acf(data).show()

#平稳性检测
from statsmodels.tsa.stattools import adfuller as ADF
print(u'原始序列的ADF检验结果为:', ADF(data[u'销量']))

#返回值依次为adf、pvalue、usedlag、nobs、critical values、icbest、regresults、resstore
原始序列的单位根(adf)检验
adf              cValue                     p值
1.81     1%        5%      10%
        -3.7112   -2.9812   -2.6301         0.9984

Pdf值大于三个水平值,p值显著大于0.05,该序列为非平稳序列。


#差分后的结果
D_data = data.diff().dropna()
D_data.columns = [u'销量差分']

#时序图
D_data.plot() 
plt.show()


#自相关图
plot_acf(D_data).show() 
plt.show()

from statsmodels.graphics.tsaplots import plot_pacf

#偏自相关图
plot_pacf(D_data).show()


#平稳性检测
print(u'差分序列的ADF检验结果为:', ADF(D_data[u'销量差分'])) 

#白噪声检验
from statsmodels.stats.diagnostic import acorr_ljungbox

#返回统计量和p值
print(u'差分序列的白噪声检验结果为:', acorr_ljungbox(D_data, lags=1)) 

一阶差分后序列的白噪声检验
stat                P值
11.304         0.007734 


P值小于0.05,所以一阶差分后的序列为平稳非白噪声序列。

from statsmodels.tsa.arima_model import ARIMA
#定阶
#一般阶数不超过length/10
pmax = int(len(D_data)/10) 

#一般阶数不超过length/10
qmax = int(len(D_data)/10) 

#bic矩阵
bic_matrix = [] 
for p in range(pmax+1):
  tmp = []
  for q in range(qmax+1):

 #存在部分报错,所以用try来跳过报错。
    try: 
      tmp.append(ARIMA(data, (p,1,q)).fit().bic)
    except:
      tmp.append(None)
  bic_matrix.append(tmp)

#从中可以找出最小值
bic_matrix = pd.DataFrame(bic_matrix) 

#先用stack展平,然后用idxmin找出最小值位置。
p,q = bic_matrix.stack().idxmin() 

print(u'BIC最小的p值和q值为:%s、%s' %(p,q)) 

取BIC信息量达到最小的模型阶数,结果p为0,q为1,定阶完成。

 #建立ARIMA(0, 1, 1)模型
model = ARIMA(data, (p,1,q)).fit() 
#给出一份模型报告
model.summary2() 

#作为期5天的预测,返回预测结果、标准误差、置信区间。
model.forecast(5) 

最终模型预测值如下:

2015/2/7
2015/2/8
2015/2/9
2015/2/10
2015/2/11
4874.0
4923.9
4973.9
5023.8
5073.8
 
利用模型向前预测的时间越长,预测的误差将会越大,这是时间预测的典型特点。
 
参数检验如下:

Coef.
Std.Err.
t
P值
const
49.956
20.139
2.4806
0.0182
ma.L1.D.销量
0.671
0.1648
4.0712
0.0003
 
从检验结果p值来看,建立的模型效果良好。
  • 2
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值