数据挖掘之时间序列分析

按时间顺序排列的一组随机变量X1,X2,…,Xt表示一个随机事件的时间序列。

时间序列分析的目的是给定一个已被观测了的时间序列，预测该序列的未来值。

表1 常用的时间序列模型

模型名称	描述
平滑法	常用于趋势分析和预测，利用修匀技术，削弱短期随机波动对序列的影响，使序列平滑化。 根据所用平滑技术的不同，可分为移动平均法和指数平滑法。
趋势拟合法	把时间作为自变量，相应的序列观察值作为因变量，建立回归模型。 根据序列的特征，可分为线性拟合和曲线拟合。
组合模型	时间序列的变化主要受到长期趋势（T）、季节变动（S）、周期变动（C）和不规则变动（）这四个因素的影响。 根据序列的特点，可以构建加法模型和乘法模型。 加法模型：x = T+S+C+ 乘法模型：x = TSC
AR模型	以前p期的序列值为自变量，随机变量Xt为因变量建立线性回归模型
MA模型	随机变量Xt的取值与前各期的序列值无关，建立Xt与前q期的随机扰动（）的线性回归模型
ARMA模型	随机变量Xt的取值，不仅与前p期的序列值有关，还与前q期的随机扰动（）有关
ARIMA模型	许多非平稳序列差分后会显示出平稳序列的性质，称这个非平稳序列为差分平稳序列。 对差分平稳序列可以使用ARIMA模型进行拟合
ARCH模型	能准确地模拟时间序列变量的波动性变化，适用于序列具有异方差性并且异方差函数短期自相关
GARCH模型及其衍生模型	称为广义ARCH模型，是ARCH模型的拓展。更能反映实际序列中的长期记忆性、信息的非对称性等性质

 

1、时间序列分析之前，需要进行序列的预处理，包括纯随机性和平稳性检验。根据检验结果可以将序列分为不同的类型，采取不同的分析方法。

表2 不同检验结果的分析方法

纯随机序列	又叫白噪声序列，序列的各项之间没有任何相关关系，序列在进行完全无序的随机波动。 白噪声序列是没有信息可提取的平稳序列，可以终止分析。
平稳非白噪声序列	均值和方差是常数。通常建立一个线性模型来拟合该序列的发展，从而提取有用信息。 ARMA模型是最常用的平稳序列拟合模型。
非平稳序列	均值和方差不稳定。一般将其转变成平稳序列，应用有关平稳时间序列的分析方法，如ARMA模型。 如果时间序列经差分运算后，具有平稳性，称该序列为差分平稳序列，使用ARIMA模型进行分析。

（1）纯随机性检验

如果序列是纯随机性检验，则序列值之间应该没有任何关系。实际上纯随机性序列的样本自相关系数不会绝对为零，但是很接近零，并在零附近随机波动。

纯随机性检验，又叫白噪声检验，一般是构造检验统计量来检验。常用的检验统计量有Q统计量、LB统计量，由样本各延迟期数的自相关系数，可以计算出检验统计量，然后计算对应的p值，如果p值大于显著性水平