经济预测方法及MATLAB实现 教学课件 作者 杨德平 第7章 时间序列预测法.pptVIP

AR(1)模型 AR(2)模型 （2）AR(p)的偏相关函数 可知偏相关函数具有“截尾”状 。 2．MA(q)模型 （1）MA(q) 自相关函数 （2）MA(q) 偏相关函数 由于任何一个可逆的MA过程都可以转化为一个无限阶的系数按几何递减的AR过程，所以MA过程的偏自相关函数同AR模型一样呈缓慢衰减特征。 3．ARMA(p,q)模型 根据AR、MA模型可知ARMA模型的自相关函数和偏自相关函数也是无限延长的，其过程也是呈缓慢衰减，是拖尾的。 三个基本模型的相关性特征 根据相关性特征，可利用自相关函数与偏自相关函数的截尾性来识别模型类型。并利用偏相关函数PartialACF，确定AR模型的滞后阶数；利用自相关函数ACF，确定MA模型的滞后阶数。 拖尾 拖尾 ARMA(p,q) 拖尾 q阶截尾 MA(q) p阶截尾 拖尾 AR(p) 偏自相关函数 自相关函数 模型 7.5.3 ARMA模型参数估计 1、AR(p)模型参数矩估计 Yule-Walker方程 利用实际时间序列数据，首先求得自相关函数 的估计值 ，代入Yule-Walker方程组，求得模型参数的估计值， 2、MA(q)模型参数估计 利用实际时间序列数据，求得自协方差函数 的估计值 求得模型参数的估计值 。 3、ARMA(p,q)模型的参数估计 先求得自相关函数 的估计值 ，代入Yule-Walker方程组，求得模型参数的估计值， 再改写ARMA模型求解估计值 （2）ARMAX模型参数估计 自回归移动平均各态历经ARMAX（AutoRegressive Moving Average eXogenous）模型，是考虑外部解释变量X 的模型。 na,nb,nc是滞后多项式的阶数， nk为延迟 7.5.4 ARMA模型的预测 1．AR（p）模型的预测公式 预测方差 GREEN函数 2．MA(q)模型预测公式 预测方差 若已知 和新获得的数据 ，则得的递推公式： [ , ,…， ] T ， 初始值可取某个时刻 3．ARMA(p,q)模型预测公式 预测方差 ， 的递推公式： [ , ,…， ] T ， 当时 ，上式最后一项为0 7.6案例分析 7.6.1 利用移动平均法预测股票走势 【例7-11】 兴业银行2008年11月3日至12月31日股票收盘价如表7-9所示，利用5日、20日移动平均法进行预测。 44 14.6310 13.9840 13.84 12-2 22 15.7635 14.7940 14.6 12-31 43 14.5730 14.0780 13.76 12-1 21 15.7680 14.9200 14.71 12-30 42 14.5125 14.1920 13.48 11-28 20 15.7245 15.0900 14.75 12-29 41 14.5520 14.44 11-27 19 15.6750 15.4180 14.91 12-26 40 14.7640 14.4 11-26 18 15.6035 15.7360 15 12-25 39 15.0460 14.31 11-25 17 15.5755 16.1020 15.23 12-24 38 15.0860 14.33 11-24 16 15.5340 16.2540 15.56 12-23 37 15.4380 15.28 11-21 15 15.4715 16.3380 16.39 12-22 36 15.5760 15.5 11-20 14 15.3685 16.2900 16.5 12-19 35 15.6380 15.81 11-19 13 15.3075 16.1580 16.83 12-18 34 15.4980 14.51 11-18 12 15.2410 16.1680 15.99 12-17 33 15.5180 16.09 11-17 11 15.2320 16.4420 15.98 12-16 32 15.3260 15.97 11-14 10 15.1585 16.4020 16.15 12-15 31 14.8960 15.81 11-13 9 15.1555 16.4380 15.84 12-12 30 14.3200 15.11 11-12 8 15.1620 16.3460 16.88 12-11 29 13.9960 14.61 11-11 7 15.1085