平稳时间序列预测法讲义

平稳时间序列预测法概述平稳时间序列预测法是一种常用的时间序列分析方法，用于对平稳时间序列数据进行预测和建模。

这种方法基于时间序列的统计特性和历史模式，通过对过去时间点的观察和分析，来推断未来的趋势和模式。

平稳时间序列是指在统计意义下具有相同的均值、方差和自协方差的时间序列。

平稳时间序列的特点是其统计特性不会随时间而变化，即没有趋势、季节性和周期性。

由于平稳时间序列没有这些变化，因此通过对其进行建模和预测会更容易和准确。

平稳时间序列预测法通常分为两种主要方法：直观法和数学统计法。

直观法是一种基于观察和直觉的预测方法。

它主要是通过对时间序列的图形和趋势进行分析和观察，来预测未来的值。

直观法的优点是简单易懂，适用于简单的时间序列预测问题。

然而，直观法的缺点是主观性较强，可能受到个人经验和认知的影响。

数学统计法是一种基于数学模型和统计方法的预测方法。

它通过对时间序列数据进行分析和建模，来预测未来的趋势和模式。

常用的数学统计方法包括平均法、指数平滑法、自回归移动平均模型（ARMA）和季节性自回归移动平均模型（SARIMA）等。

平均法是最简单的数学统计方法之一，它通过计算时间序列的平均值来预测未来的值。

指数平滑法是一种以指数加权平均值为基础的预测方法，适用于序列有较强的趋势性时。

ARMA 模型是一种常用的时间序列模型，它对序列的自相关性和移动平均性进行建模，用于预测未来的值。

SARIMA模型是对ARMA模型进行扩展，考虑了序列的季节性变化，适用于有季节性趋势的时间序列。

平稳时间序列预测法的主要目的是为了预测未来的值，以便辅助决策和规划。

它在经济学、金融学、管理学等领域都有广泛的应用，例如股票预测、销售预测、经济增长预测等。

需要注意的是，平稳时间序列预测法仅适用于平稳时间序列。

对于非平稳时间序列，需要先进行平稳性检验和转换，然后再进行预测建模。

此外，时间序列预测还需要考虑模型的选择和参数的确定，以及模型的评估和验证等问题。

第三章 平稳ARMA 过程一元ARMA 模型是描述时间序列动态性质的基本模型。

通过介绍ARMA 模型，可以了解一些重要的时间序列的基本概念。

§3.1 预期、平稳性和遍历性 3.1.1 预期和随机过程假设可以观察到一个样本容量为T 的随机变量t Y 的样本：},,,{21T y y y这意味着这些随机变量之间的是相互独立且同分布的。

例3.1 假设T 个随机变量的集合为：},,,{21T εεε ，),0(~2σεN i 且相互独立，我们称其为高斯白噪声过程产生的样本。

对于一个随机变量t Y 而言，它是t 时刻的随机变量，因此即使在t 时刻实验，它也可以具有不同的取值，假设进行多次试验，其方式可能是进行多次整个时间序列的试验，获得I 个时间序列：+∞=-∞=t t t y }{)1(，+∞=-∞=t t t y }{)2(，…，+∞=-∞=t t I t y }{)(将其中仅仅是t 时刻的观测值抽取出来，得到序列：},,,{)()2()1(I t t t y y y ，这个序列便是对随机变量t Y 在t 时刻的I 次观测值，也是一种简单随机子样。

定义3.1 假设随机变量t Y 是定义在相同概率空间},,{P Ω上的随机变量，则称随机变量集合},2,1,0,{ ±±=t Y t 为随机过程。

例3.2 假设随机变量t Y 的概率密度函数为： ]21exp[21)(22t t Y y y f t σσπ=此时称此时密度为该过程的无条件密度，此过程也称为高斯过程或者正态过程。

定义3.2 可以利用各阶矩描述随机过程的数值特征： (1) 随机变量t Y 的数学期望定义为(假设积分收敛)：⎰==+∞∞-tt Y t t t dy y f y Y E t )()(μ 此时它是随机样本的概率极限：∑==∞→I i i t I t y I P Y E 1)(1lim )((2) 随机变量t Y 的方差定义为(假设积分收敛):20)(t t t Y E μγ-=例3.3 (1) 假设},,{21 εε是一个高斯白噪声过程，随机过程t Y 为常数加上高斯白噪声过程：t t Y εμ+=，则它的均值和方差分别为：μεμμ=+==)()(t t t E Y E 2220)()(σεμγ==-=t t t t E Y E(2) 随机过程t Y 为时间的线性趋势加上高斯白噪声过程：t t t Y εβ+=，则它的均值和方差分别为：t E t Y E t t t βεβμ=+==)()( 2220)()(σεμγ==-=t t t t E Y E3.1.2 随机过程的自协方差将j 个时间间隔的随机变量构成一个随机向量),,(1'=--j t t t t Y Y Y X ，通过随机试验可以获得该随机向量的简单随机样本。

第四十课 平稳时间序列分析对时间序列数据的分析，首先要对它的平稳性和纯随机性进行检验。

根据检验的结果可以将序列分为不同的类型，对不同类型的序列将会采用不同的分析方法。

如果一个时间序列被识别为平稳非白噪声序列，那就说明该序列是一个蕴涵着相关信息的平稳序列。

在统计上，我们通常是建立一个线性模型来拟合该序列的发展，借此提取该序列中被蕴涵着有用信息。

目前，最常用的拟合平稳序列的模型是ARMA （Auto Regression Moving Average ）模型。

一、 平稳性检验1. 严平稳和宽平稳平稳时间序列有两种定义，根据限制条件的严格程度，分为:● 严平稳时间序列（strictly stationary ）—指序列所有的统计性质都不会随着时间的推移而发生变化。

● 宽平稳时间序列（week stationary ）—指序列的统计性质只要保证序列的二阶矩平稳就能保证序列的主要性质近似稳定。

如果在任取时间t 、s 和k 时，时间序列t X 满足如下三个条件：∞<2t EX(40.1) μ=t EX(40.2) ))(())((t s k t s k k k s s t t X X E X X E -+-+--=--μμμμ(40.3)则称为宽平稳时间序列。

也称为弱平稳或二阶平稳。

对于正态随机序列而言，由于联合概率分布仅由均值向量和协方差阵决定，即只要二阶矩平稳，就等于分布平稳了。

2. 平稳时间序列的统计性质根据平稳时间序列的定义，可以推断出两个重要的统计性质： ● 常数均值。

即式(40.2)的条件。

● 自协方差只依赖于时间的平均长度。

即式(40.3)的条件。

如果定义自协方方差函数（autocovariance function ）为：))((),(s s t t X X E s t μμγ--=(40.4)那么它可由二维函数简化为一维函数)(t s -γ，由此引出延迟k 自协方差函数：),()(k t t k +=γγ(40.5)容易推断出平稳时间序列一定具有常数方差：)0(),()(2γγμ==-=t t X E Dx t t t (40.6)如果定义时间序列自相关函数（autocorrelation function ），简记为ACF ：st s s t t DX DX X X E s t ⋅--=))((),(μμρ(40.7)由延迟k 自协方差函数的概念可以等价得到延迟k 自相关函数的概念：)0()()0()0()())(()(r k r k DX DX X X E k kt t k t k t t t ==⋅--=+++γγγμμρ (40.8)容易验证自相关函数具有几个基本性质： ● 1)0(=ρ； ●)()(k k ρρ=-；● 自相关阵为对称非负定阵； ● 非惟一性。

时序预测中的时间序列平稳性检验方法详解时间序列分析在各个领域都有着广泛的应用，如经济学、气象学、医学等。

而时间序列平稳性检验是时间序列分析中的重要一环，它可以帮助我们确认时间序列数据是否稳定，从而选择合适的模型进行预测。

本文将详细介绍时间序列平稳性检验的方法和原理。

一、平稳性的定义在进行时间序列分析时，我们通常假设时间序列是平稳的。

平稳性是指时间序列在统计特性上的稳定性，即均值和方差在时间上都是恒定的。

如果时间序列不满足平稳性的要求，将会导致预测结果不准确。

因此，平稳性检验在时间序列分析中至关重要。

二、时间序列平稳性的检验方法1. 直观法直观法是最简单的一种检验方法，它通过观察时间序列的均值和方差是否随时间变化而确定序列的平稳性。

如果均值和方差不随时间变化，则可以初步认定序列是平稳的。

然而，直观法往往不够准确，因为很难只通过肉眼观察就确定序列的平稳性。

2. 统计方法在统计方法中，有许多用于时间序列平稳性检验的经典方法，如ADF检验、PP检验、KPSS检验等。

这些方法都是通过建立统计模型，对序列的均值和方差进行检验，从而判断序列的平稳性。

ADF检验（Augmented Dickey-Fuller Test）是最常用的一种检验方法，它的原假设是时间序列具有单位根（非平稳），备择假设是时间序列是平稳的。

通过对序列进行单位根检验，ADF检验可以判断序列的平稳性。

如果p值小于显著性水平（通常为），则拒绝原假设，认为序列是平稳的。

PP检验（Phillips-Perron Test）是另一种常用的单位根检验方法，它与ADF检验类似，也是通过检验序列的单位根来判断序列的平稳性。

与ADF检验的区别在于PP检验对序列的自相关结构和序列长度的敏感性较低。

KPSS检验（Kwiatkowski-Phillips-Schmidt-Shin Test）则是一种反向的检验方法，它的原假设是序列是平稳的，备择假设是序列具有单位根。

第六章平稳时间序列预测第一节平稳时间序列预测概念第二节最小均方误预测第三节条件期望预测第四节适时修正预测第五节指数平滑预测与ARMA模型第一节平稳时间序列预测的概念). (ˆ,,,)0(}{,,,}{ ,1l x ltlxtxxxtxttlttttt为预测值记的预测向前期步长为为原点的以这种预测称为进行预测以后的观察值对时刻用序列以前的观察值为及在时刻且零均值平稳序列设当前时刻为> +-ΛΛ第二节最小均方误预测(正交投影预测)一、最小均方误差预测概念二、平稳ARMA模型最小均方误预测的推导一、最小均方误差预测概念.)2(min )](ˆ[)](ˆ[:,)1(:)(ˆ)(ˆ:,)0(,,,,)(ˆ221值的函数预测值是过去时间序列即预测误差的方差最小足如下两条件准则步最小均方误预测要满所谓其预测误差记为进行的预测对的条件下为已知设=-=-=>+++-l x x E l e E l l x x l el x x x l xt l t t t l t t l t t t t Λ（若预测函数是线性的，则称线性最小均方误预测）二、平稳ARMA 模型最小均方误预测的推导∑∑∞=-++--++-++--+++--∞=--++++=++++++=+=+++=====011110111111002211001:1:)()()(:)()(:j jt j l t l l t l t t l t l t l l t l t l t t t t j j t j t t t tt a G a G a G a G a G a G a G a G a G x l t G a G a G a G a G a B G a B B x a B x B ARMA ΛΛΛΛ代入上式得将下标其中如下此模型写成其传递形式模型如下设有平稳θφθφ由于预测只能建立在到t 时刻为止的可用信息的基础上，因此，根据最小均方误预测的第二个准则，以及平稳可逆序列可以表示成传递函数形式的论断，可以将预测值表示成能够估计的项a t ，a t-1，……，的加权和的形式：)(ˆl xt ΛΛ+++==-+-+∞=-+∑2*21*1*0*)(ˆt l t l t lj j t jl t a G a G a G a G l x.""*达到最小的意义下确定可以在预测误差的方差系数权式中jl G +由上得以t 为原点，向前l 步的预测误差为：∑∞=-+++--+++-++++=-=0*11110)()(ˆ)(j jt jl j l t l l t l t t l t t a GG a G a G a G l xx l e Λ由于at 是白噪声，故有：⎩⎨⎧=≠=+002j j o a Ea ajt t σ∑∑∞=++-=+-+==-02*212222)())(())(ˆ(::j j l jl al j jat t l t G GGl e E l xx E σσ预测误差的方差为所以.,:*上式达到最小值时当很容易看出j l jl G G++=因此可得x t+l 的最小均方误预测为：ΛΛ+++=-+-+2211)(ˆt l t l t l t a G a G a G l x预测误差为：1110)(ˆ)(+--++++++=-=t l l t l t t l t t a G G a G l xx l e Λ误差方差为：∑-=++++=12222222)1())((l GG G G l e E σσΛ由上推导可知，（1）最小均方误预测误差的方差和预测步长l有关，而和预测的时间原点无关。

时序预测是一种对未来时间序列数据进行预测的方法，它可以帮助我们了解未来的趋势和规律，对于经济、金融、医学等领域都具有重要的应用价值。

而在时序预测中，时间序列平稳性检验是非常关键的一步，它能够帮助我们确认时间序列数据是否符合预测模型的假设条件，从而选择合适的预测模型和方法。

一、时间序列平稳性的概念时间序列数据是指在一段时间内按照时间顺序排列的数据点的集合，例如股票价格、气温、销售额等。

而时间序列平稳性是指时间序列数据在不同时间段内具有相同的统计性质，即均值和方差不随时间发生显著的变化。

如果时间序列数据是平稳的，那么我们可以基于这个假设来进行时序预测，否则就需要对数据进行处理或者选择其他的预测方法。

二、时间序列平稳性检验的方法1. 直观图形法直观图形法是一种简单直观的平稳性检验方法，可以通过绘制时间序列数据的图形来观察数据的均值和方差是否随时间发生明显变化。

一般来说，如果数据在图形上呈现出随时间波动的趋势，那么就可以初步判断数据不是平稳的。

2. 统计量检验法统计量检验法是一种通过统计学方法来检验时间序列平稳性的方法，其中比较常用的有单位根检验和ADF检验。

单位根检验是通过检验时间序列数据是否具有单位根的方法来判断其平稳性，而ADF检验则是在单位根检验的基础上增加了滞后项和趋势项的考虑，从而提高了检验的准确性。

3. 谱分析法谱分析法是一种利用时间序列数据的频谱特性来判断其平稳性的方法，它通过对时间序列数据进行傅立叶变换，然后观察频谱图来判断数据是否是平稳的。

谱分析法在信号处理领域有着广泛的应用，但是在时序预测中相对较少使用。

三、时间序列平稳性检验方法的选择在实际应用中，我们需要根据具体的时间序列数据和预测任务来选择合适的平稳性检验方法。

如果数据量较小，可以先通过直观图形法来进行初步判断，然后再根据需要选择统计量检验法或者谱分析法来进行进一步的检验。

而如果数据量较大或者对检验的准确性要求较高，可以考虑使用多种方法进行综合判断。

时序预测中的时间序列平稳性检验方法详解时间序列分析是指对一定时间间隔内的数据进行观察、分析和建模的一种统计分析方法。

其中，时序预测是时间序列分析的一个重要应用方向，通过对历史数据的分析和模型构建，来预测未来一段时间内的数据走势。

而时间序列的平稳性是时序预测中的重要前提条件，下面将详细讨论时间序列平稳性的检验方法。

一、平稳性概念及其重要性所谓平稳性，是指时间序列在不同时间点上的统计特性不发生显著的变化。

具体来说，时间序列的均值、方差和自相关性不随时间变化而发生显著变化。

平稳性对于时序预测至关重要，因为只有在时间序列平稳的情况下，我们才能够基于历史数据进行有效的预测。

二、时间序列平稳性的检验方法1. 直观法直观法是一种最简单直接的方法，即通过观察时间序列图来初步判断序列是否平稳。

如果时间序列的均值和方差在不同时间段内基本保持不变，那么可以初步认定序列具有平稳性。

然而，直观法并不够严谨，往往需要结合其他方法进行验证。

2. 统计检验法统计检验法是通过一些统计指标来检验时间序列的平稳性。

常用的方法包括ADF检验、单位根检验、KPSS检验等。

ADF检验是一种通过单位根检验来判断时间序列是否平稳的方法，其基本原理是对原始时间序列进行单位根检验，若序列平稳则对应的p值应当小于显著性水平。

而KPSS检验则是一种基于单位根检验的方法，其原理是对原始序列进行单位根检验，若序列显著偏离平稳则对应的p值应当大于显著性水平。

通过这些统计检验方法，我们可以更加客观准确地判断时间序列的平稳性。

3. 时间序列差分法时间序列差分法是一种通过对时间序列进行差分运算来消除非平稳性的方法。

具体来说，我们可以对原始时间序列进行一阶差分或二阶差分运算，然后对差分后的序列进行平稳性检验。

若差分后的序列满足平稳性条件，则可以认定原始序列具有平稳性。

4. 线性回归法线性回归法是一种利用线性回归模型来检验时间序列平稳性的方法。

具体来说，我们可以建立一个线性回归模型，将时间序列的观测值作为因变量，时间作为自变量，然后对回归系数进行显著性检验。