时间序列分析及相空间重构优秀培训书.pptVIP

时间序列的定义 按照时间的顺序把事件变化发展的过程记录下来就构成了一个时间序列。对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 时间序列例1 德国业余天文学家施瓦尔发现太阳黑子的活动具有11年左右的周期 时间序列例2 相空间重构 如果把一个时间序列看成是由一个确定性的非线性动力系统产生的,要考虑的是以下反问题:如何由时间序列来恢复并刻划原动力系统? 由时间序列恢复原系统最常用的方法利用Takens 的延迟嵌入定理 对于一个非线性系统,通过观测,可以得到一组测量值 x ( n)，n=1,2,…N 利用此测量值可以构造一组m 维向量 X( n) = ( x ( n) , x ( n -τ) , ?,x ( n -( m - 1)τ) ) n= ( m - 1)τ) +1,…N 如果参数τ, m 选择恰当,则X( n) 可描述原系统。 τ称为延迟时间，m称为嵌入维数。由x(n)构造X(n) 称为相空间重构。 相空间重构法基本思想是: 系统中任一分量的演化都是由与之相互作用着的其它分量所决定的,因此这些相关分量的信息就隐含在任一分量的发展过程中。 为了重构一个等价的状态空间,只需考察一个分量,并将它在某些固定的时间延迟点上的测量作为新维处理,它们确定了某个多维状态空间中的一点. 重复这一过程并测量相对于不同时间的各延迟量,就可以产生出许多这样的点,它可以将原系统的许多性质保存下来,即用系统的一个观察量可以重构出原动力系统模型,可以初步确定原系统的真实信息。 相空间重构例 Henon 映射 Lorenz系统 Lorenz系统的吸引子(x-y-z） Lorenz系统的吸引子(x,y相图） Lorenz系统的吸引子(y,z相图） Lorenz系统的吸引子(x,z相图） 如果只观测到变量x的值，利用x作相空间重构 取延迟时间为9，嵌入维数为3 即令(x(1),y(1),z(1))=(x(19),x(10),x(1)) (x(2),y(2),z(2))=(x(20),x(11),x(2)) (x(3),y(3),z(3))=(x(21),x(12),x(3)) …… 如何确定延迟时间和嵌入维数？ 　延迟时间间隔τ的选取 主要方法 线性自相关函数法 平均互信息法 线性自相关函数法 平均互信息法 嵌入维数m的选取 主要方法 虚假邻点法 关联积分法 奇异值分解法 虚假邻点法 虚假邻点的定义 上面的距离差由于和时间序列数据的大小有关，不太容易确定虚假邻点。实际采用相对度量法 虚假邻点法确定嵌入维数 对实测时间序列, m 从2 开始,取R = 30 ,计算虚假最近邻点的比例,然后增加m ,直到虚假最近邻点的比例小于5 % 或虚假最近邻点不再随着m 的增加而减少时,可以认为此时的m 为合适的嵌入维数。 非线性时间序列预测 基本思想 设时间序列来自确定性系统 X(n)=F(X(n-1)),F(.)为连续函数。 若 X(n)和X(j)距离很小，则F(X(n))和F(X(j))距离也应很小，即X(n+1)和X(j+1)间的距离很小，从而 可以用X(j+1)作为X(n+1)的预测值。 基本方法 局域预测法 局部平均预测法 局部线性预测法 局部多项式预测法 全域预测法 神经网络 小波网络 遗传算法 局部平均预测法 设时刻T的状态向量为 X(T)=(x(T),x(T-τ),…x(T-(m-1)τ)) 找X(T)的最近邻点X(T1),…X(TK), 以X(T1+1),…X(TK+1)的平均值作为X(T+1)的预测值 局部线性预测法 局部线性预测模型为 局部多项式预测法 预测效果评价 为了检验预测的精确性，可以比较预测值与实际观测值之间的差。一次预测可能较好或较差，偶然性较大。为了克服这种偶然性，可以取多个点的预测误差的平均。 预测效果的另一个评价标准是相关系数 上证指数预测 数据文件000001.day 1990.12.19-2008.06.19 共4292个记录 每一条记录的长度为40字节:1-4字节为日期 5-8字节=开盘指数*10009-12字节=最高指数*100013-16字节=最低指数*100017-20字节=收盘指数*100021-24字节=成交金额(元)/100025-28字节=成交量(手)其余12字节未使用读取数据matlab文件为readdata.m 上证指数预测文件为shangzhen1.m 相关文件为readdata.m