第3章时间序列平滑预测法案例分析.pptVIP

三次指数平滑法的预测模型为： (3.3.11) 式中： (3.3.12) 第4节 差分指数平滑法 在上节我们已经讲过，当时间序列的变动具有直线趋势时，用一次指数平滑法会出现滞后偏差，其原因在于数据不满足模型要求。因此，我们也可以从数据变换的角度来考虑改进措施，即在运用指数平滑法以前先对数据作一些技术上的处理，使之能适合于一次指数平滑模型，以后再对输出结果作技术上的返回处理，使之恢复为原变量的形态。差分方法是改变数据变动趋势的简易方法。 一、一阶差分—指数平滑模型 当时间序列呈直线增加时，可运用一阶差分—指数平滑模型来预测。其公式如下： 其中的▽为差分记号。（3.4.1）式表示对呈现直线增加的序列作一阶差分，构成一个平稳的新序列；（3.4.2）式表示把经过一阶差分后的新序列的指数平滑预测值与变量当前的实际值迭加，作为变量下一期的预测值。 二、二阶差分—指数平滑模型 当时间序列呈现二次曲线增长时，可用二阶差分—指数平滑模型来预测，其公式如下： ▽2表示二阶差分，与一阶差分—指数平滑模型类似。 差分方法和指数平滑法的联合运用，除了能克服一次指数平滑法的滞后偏差之外，对初始值的问题也有显著的改进。因为数据经过差分平稳化处理后，所产生的新序列基本上是平稳的。这时，初始值取新序列的第一期数据对于未来预测值不会有多大影响。其次，它开拓了指数平滑法的适用范围，使一些原来需要运用配合趋势线方法处理的情况可用这种组合模型来取代。但是，对于指数平滑法存在的加权系数α的选择问题，以及只能逐期预测问题，差分—指数平滑模型也没有改进。 第5节 自适应过滤法 自适应过滤法与移动平均法、指数平滑法一样，也是以时间序列的历史观察值进行某种加权平均来预测的，它要寻找一组“最佳”的权数，其办法是先用一组给定的权数来计算一个预测值，然后计算预测误差，再根据预测误差调整权数以减少误差。这样反复进行，直至找出一组“最佳”权数，使误差减少到最低限度。由于这种调整权数的过程与通信工程中的过滤传输噪声的过程极为接近，故称为自适应过滤法。 自适应过滤法的基本预测公式为： （3.5.1） 式（3.5.1）中： 为第t+1期的预测值； wi为第t-i+1期的观测值权数； yt-i+1为第t-i+1期的观测值； N为权数的个数。 其调整权数的公式为： （3.5.2） 式中：i=1,2,…,N ，t=N,N+1,…,n. n为序列数据的个数 wi为调整前的第i个权数 wi′为调整后的第i个权数 k称为学习常数； ek+1为第t+1期的预测误差。 式（3.5.2）表明：调整后的一组权数应等于旧的一组权数加上误差调整项，这个调整项包括预测误差、原观测值和学习常数等三个因素。学习常数k的大小决定权数调整的速度。 N、K值和初始权数的确定 在开始调整权数时，首先要确定权数个数N和学习常数k。一般说来，当时间序列的观测值呈季节变动时，N应取季节性长度值。如序列以一年为周期进行季节变动时，若数据是月度的，则取N=12,若季节是季度的,则取N=4。如果时间序列无明显的周期变动，则可用自相关系数法来确定，即取N为最高自相关系数的滞后时期。 k的取值一般可定为1/N,也可以用不同的k值来进行计算，以确定一个能使S最小的k值。 初始权数的确定也很重要，如无其它依据，也可用1/N作为初始权系数用，即 自适应过滤法有两个明显的优点:一是技术比较简单，可根据预测意图来选择权数的个数和学习常数，以控制预测。也可以由计算机自动选定。二是它使用了全部历史数据来寻求最佳权系数。并随数据轨迹的变化而不断更新权数，从而不断改进预测。 第6节 ARMA模型简介 设 为一个随机时间序列，即对每个固定的t， 是一个随机变量。如果 满足下述条件： 1） ，（ 为常数） 2） ， 则 称为平稳序列， 称为自协方差函数(Autocovariances Function)。 称为自相关函数(Autocorrel