R 语言环境下用ARIMA模型做时间序列预测.docxVIP

R 语言环境下使用ARIMA模型做时间序列预测1.序列平稳性检验通过趋势线、自相关(ACF)与偏自相关(PACF)图、假设检验和因素分解等方法确定序列平稳性，识别周期性，从而为选择适当的模型提供依据。1.1绘制趋势线图1 序列趋势线图从图1很难判断出序列的平稳性。1.2绘制自相关和偏自相关图图2 序列的自相关和偏自相关图从图2可以看出，ＡＣＦ拖尾，ＰＡＣＦ１步截尾（p=1），说明该现金流时间序列可能是平稳性时间序列。1.3 ADF、PP和KPSS 检验平稳性图3 ADF、PP和KPSS检验结果通过ADF检验，说明该现金流时间序列是平稳性时间序列（p-value for ADF test 0.02，拒绝零假设）.pp test和kpss test 结果中的警告信息说明这两种检验在这里不可用。但是这些检验没有充分考虑趋势、周期和季节性等因素。下面对该序列进行趋势、季节性和不确定性因素分解来进一步确认序列的平稳性。1.4 趋势、季节性和不确定性因素分解R 提供了两种方法来分解时间序列中的趋势、季节性和不确定性因素。第一种是使用简单的对称过滤法，把相应时期内经趋势调整后的观察值进行平均，通过decompose()函数实现，如图4。第二种方法更为精确，它通过平滑增大规模后的观察值来寻找趋势、季节和不确定因素，利用stl()函数实现。如图5。图4 decompose()函数分解法图5 stl()函数分解法两种方法得到的结果非常相似。从上图可以看出，该现金流时间序列没有很明显的长期趋势。但是有明显的季节性或周期性趋势，经分解后的不确定因素明显减少。综上平稳性分析检验，我们选用包含季节性因素的S-ARIMA模型来预测现金流时间序列。2．S-ARIMA模型2.1 建立SARIMA模型在R 软件包中包含auto.arima()、expand.grid() 等函数，针对p,d,q 众多的可能取值，可以通过expand.grid()建立所有的可能参数组合，用for()条件函数代入相应的arima（）模型，把结果储存在BIC当中。其中，BIC根据AIC指标来计算。结果显示，SARIMA（0,1,1）（1,1,0）12 是拟合原序列的最佳模型。拟合结果如下图6所示：图6 SARIMA（0,1,1）（1,1,0）12模型拟合结果结果表明，ma 和sar 的系数为负数并且影响非常显著。2.2 模型有效性检验R 提供了tsdiag()函数来检验模型的有效性。检验结果如下图7：图7 tsdiag()函数检验结果图中第二行的ACF 检验说明残差没有明显的自相关性。第三行的Ljung-Box 测试显示所有的P-value0.1，说明残差为白噪声。模型合格。3．预测未来现金流通过以上模型的建立与检验，我们建立了SARIMA（0,1,1）（1,1,0）12 模型来预测未来现金流。预测结果如图8所示：图8 模型对未来若干年现金流的预测结果下面进行预测值与真实值的对比，如图9所示：图9 预测值与真实值对比图（图中，蓝色代表预测值；红色代表真实值） 从图9可以看出，模型对六个月内的预测值相对准确，但是从2009年4月份开始，预测值与真实值之间出现明显偏差，说明该模型适合短期内预测。而从长期来看，由于影响现金流的不确定性因素增加，模型的预测能力下降。