时间序列分析方法及其在市场预测中的应用.docVIP

时间序列分析方法及其在市场预测中的应用 　　摘要：随着经济市场的发展，对于市场预测的需求也在增加，而时间序列分析方法的出现，对于这个问题给出了高效精确的解决方法。本文主要介绍了时间序列与时间序列分析方法、时间序列分析方法应用以及如何选择合理高效的时间序列预测模型，相信对于时间序列的合理利用，能够高效的完成市场预测任务。 　　关键词：时间序列分析；市场预测；分析模型 　　中图分类号：F713.5 文献标识码：A 文章编号：1001-828X（2014）05-00-02 　　一、时间序列及时间序列分析方法 　　1.1时间序列。时间序列是指同一种现象在不同时间上的相继观察值排列而成的一组数字序列。时间序列的用途是通过某件事情的过去行为以及发展来预测事件的未来发展，通过对时间序列的研究，展开对时间序列的外延，从而获得对事件未来发展的预测。现实生活中有些事件的时间序列变化具有近似趋势，可能会产生长期的明显的规律性；但有些事件的时间序列可能会只有短期的规律，或者其时间序列的研究会产生某些不明原因的改变而无法进行下去。随着对于时间序列研究的发展，人们发现许多不确定性因素在时间序列预测结果准确性中的影响越来越大，对于时间序列研究方法的创新改善也需要得到重视。 　　1.2时间序列分析方法。 　　1.2.1平均增长量法。利用历史资料中的GDP数据，通过汇总分析，再计算其数据的平均增长值，进行预测工作。假设，在未来的发展过程中，对于GDP数据影响的因素不变，没有新的影响因素产生，那么在未来的发展过程中，GDP数据的增长值也会和往常一样，增长规律也会满足所得到的平均增长值，从而在假设的未来时间段内，能够实行预测GDP数据的工作。例如依据相关资料，我们计算出某市GDP的年平均增长量为4亿，利用平均增长量法得到未来一两年数据为77.6亿和81.1亿，误差分别为3%与8%，其与实际结果符合程度高。 　　1.2.2平均发展速度法。上面一种方法是假设增长值为一定值，平均发展速度法是假设平均发展速度为一定值。通过已得到的GDP数据计算分析其平均发展速度。假设一段时间内GDP还是依照这一平均发展速度来发展，那么通过简单的计算就能的到GDP数据的预测值。例如在上面的实例中，通过对平均发展速度的计算，得到平均发展速度为119%，得到对于未来两年预测的数据为87.6亿与103.6亿，相对误差分别为9.3%和17.7%。其数据结果没有上种方法精确，但能够得到数据的发展趋势，这也是上种方法所没有的优势。但是这两种方法只在短时间内符合实际情况具有可参考价值。因为实际情况不可能会和假设相符，随着时间的推延，对于数据影响的因素也会改变，导致预测与实际产生的相对误差进一步加大，造成预测结果的不可靠 　　二、时间序列分析方法及其在市场预测中的应用 　　随着对于时间序列研究的深入化，对于时间序列的研究方法也得到改善，利用其预测得到的结果也越来越符合实际情况，时间序列的研究对于预测也越来越成熟，为其在市场预测的应用也打下了坚实的基础，提供了可能性。其中有些成熟可靠的分析模型。 　　2.1基于移动平均法的乘法因素分解模型。在市场预测过程中，季节增长波动是一个很大的影响因素，其对于预测工作会产生较大的干扰，使预测结果产生较大的误差。为了减少季节增长波动对于预测工作的影响，人们提出了乘法因素分解模型。将过去一段时间的数据进行分析，得到一段时间内数据的平均值，再在此基础上，参考平均数据来进行未来的预测工作。根据过去一段时间（一般是12个月）内的数据，将每个月的数据在一年总数据所占的比例作为每个月的权重，其可看作每个月对于一年的影响大小，根据原预测方程先对未来进行一项粗略的预测工作，在对于得到的每个月的数据考虑到过去每个月的权重，即可得到最终的预测结果。通过这一解决方案能够成功的消除季节增长波动对于原预测工作的影响，将季节增长波动这一影响因素造成的误差降到最低。 　　2.2季节哑变量回归模型。由于在一年的销售过程中按季进行分析时，可以按照12个月来分析，通过前11个月的数据来进行回归分析。通常情况下，如果得到回归方程达到模型本身的参数都小于0.05的要求，即可认为其达到显著的准确水平，由于可得到方程系数的线形关系显著，该回归方程就可认为能够用于预测。当时能够用于预测的回归方程不一定会在长期预测过程中一定满足与实际情况相符的条件。为保证其在长期预测中的准确度到达要求，及时对于回归方程进行修正改造是必须的。虽然其在长期预测过程中会有误差的情况发生，但是由于其特殊的优势，其在预测工作中也有自己的高效性，能够在方便的预测工作中得到价值度高的成果。 　　2.3ARIMA模型。ARIMA（p，d，q）（P，D，Q）模型又称为求和自回归移动平均模型。具体过程是，首先确定数据是否