第八章时间序列分析与预测.pptVIP

为什么要进行时间序列分析？ 个人、企业和政府都需要根据历史数据（时间序列）对现象的未来发展作出预测并采取相应的决策，时间序列分析为我们提供了相应的分析工具。 我国每年年初都要对当年的主要经济指标作出预测，每个五年计划中要对未来五年的经济和社会发展进行预测。 股票经纪人要对股票市场的未来走势作出及时的预测并相应作出买入或卖出的决策。 企业经理人员的决策中经常需要对未来的市场供求进行预测。 长期趋势 现象在较长时期内持续发展变化的一种趋向或状态 可以分为线性趋势和非线性趋势 季节变动（ S ） 由于季节的变化引起的现象发展水平的规则变动。季节变动产生的原因主要有两个： 自然因素； 人为因素： 法律、习俗、制度等 “季节变动”也用来指周期小于一年的规则变动，例如24小时内的交通流量。 循环变动（C） 以若干年为周期、不具严格规则的周期性连续变动。 与长期趋势不同，它不是朝着单一方向的持续运动，而是涨落相间的波浪式起伏变化； 与季节变动也不同，它的波动时间较长，变动的周期长短不一，变动的规则性和稳定性较差。 不规则变动（I） 由于众多偶然因素对时间序列造成的影响。 不规则变动是不可预测的。 8.1.2 时间序列分解模型 时间序列的组成成分之间可能是乘法或加法的关系，因此，时间序列可用多种模型进行分解，常见的有加法模型、乘法模型和加乘混合模型。 加法模型假设时间序列中每一个指标数值都是长期趋势、季节变动、循环变动和不规则变动四种成分的总和，在加法模型中，四种成分之间是相互独立的。某种成分的变动并不影响其他成分的变动。各个成分都用绝对量表示，并且具有相同的量纲。 乘法模型 乘法模型是假设时间序列中每一个指标数值都是长期趋势、季节变动、循环变动和不规则变动四种成分的乘积。在乘法模型中, 四种成分之间保持着相互依存的关系。一般而言，长期趋势成分用绝对量表示，具有和时间序列本身相同的量纲，其它成分则用相对量表示。 加乘混合模型 加乘混合模型，比如 时间序列分解模型的选取需要考虑到现象变化的规律和数据本身的特征，如果季节变动（循环变动、不规则变动）依赖于长期趋势的变化，则宜选用乘法模型或加乘混合模型，否则可以考虑加法模型。 1 移动平均法 移动平均法可以作为测定长期趋势的一种较为简单的方法，在股市技术分析中有广泛的应用。比如对某只股票的日收盘价格序列分别求一次5日、10日、一个月的移动平均就可以得到其5日、10日、一个月的移动平均股价序列，进而得到5日线、10日线、月线，用以反映股价变动的长期趋势。 移动平均股价序列 移动平均法的应用 8.1.4 时间序列季节变动分析 测定目的： 确定现象的季节变化规律以用于预测 消除时间序列中的季节因素 测定季节变动，一般需要先从原时间序列中剔除可能存在的长期趋势，因此需要在一定的模型假定下进行，也有不同的计算方法。实际中乘法模型较为常用。 时间序列循环变动分析 实际中常采用剩余法测定循环变动。这种方法须先从原时间序列中消除长期趋势、季节变动和不规则变动，求得循环变动指数。 计算步骤： 1、如果有季节成分，计算季节指数，得到季节调整后的数据（TCI)； 2、根据趋势方程从季节调整后的数据中消除长期趋势得到序列CI； 3、对消去季节成分和趋势值的序列CI进行移动平均以消除不规则波动 ，得到循环变动成分C。 趋势剔除法 原理：假定时间序列有明显的上升或下降趋势,首先测定出时间序列各期的趋势值,然后设法从原时间序列中消除趋势成分,最后再通过平均的方法消除不规则变动,从而测定出季节变动程度. 测定长期趋势的方法：移动平均法 步骤: 时间序列的构成要素与模型 时间序列的构成要素 不规则波动 季节变动 长期趋势 方程拟合法 移动平均法 平滑法 指数平滑法 原资料平均法 趋势剔除法 循环变动 增长率法 分解法 * 年份 产量(万辆) 3期移动平均 5期移动平均 1981 17.56 1982 19.63 20.39 1983 23.98 25.08 27.31 1984 31.64 33.11 31.19 1985 43.72 37.45 36.70 1986 36.98 42.63 44.80 1987 47.18 49.54 50.14 1988 64.47 56.67 51.68 1989 58.35 58.07 58.56 1990 51.4 60.39 70.46 1991 71.42 76.50 83.54 1992 106.67 102.65 99.21 1993 129.85 124.40 117.98 1994 136.