ARMA模型预测课件.ppt

ARMA模型预测 平稳时间序列 时间序列 {yt} 取自某一个随机过程，则称： 过程是平稳的——随机过程的随机特征不随时间变化而变化 过程是非平稳的——随机过程的随机特征随时间变化而变化 宽平稳时间序列 时间序列 {yt} ，对于任意的t,k和m，满足： 则称 {yt}宽平稳。 平稳的直观含义：无明显趋势、无明显周期 在平稳序列场合，序列中各变量的均值等某些特征相同，则对这些特征值进行估计时，可把各变量的观测值看作同一变量的不同观测值处理，增加了样本容量，提高估计精度。 平稳性的时序图检验 时序图:横轴表示时间，纵轴表示序列取值. 平稳序列的时序图应该围绕着一个常数附近作随机波动，波动幅度范围基本一致、有界。无明显的趋势性或周期性；否则，非平稳。 平稳性的自相关图检验 自相关图: 一个坐标轴表示延迟时期数k，另一个坐标轴表示自相关系数，通常以悬垂线表示自相关系数的大小。 平稳序列的自相关系数应该随延迟期数k增加而快速衰减到零；一般 在k=3以后就基本落在2倍标准差之内接近零了。 纯随机性检验 如果序列值彼此之间没有任何相关性，那就意味着该序列是一个没有记忆的序列，过去的行为对将来的发展没有丝毫影响，这种序列我们称之为纯随机序列。从统计分析的角度而言，纯随机序列是没有任何分析价值的序列。 纯随机性检验也称为白噪声检验，是专门用来检验序列是否为纯随机序列的一种方法。 LB ( Ljung-Box)统计量检验： H0:延迟期数小于或等于m期的序列值之间相互独立。 H1:延迟期数小于或等于m期的序列值之间有相关性。 平稳序列通常具有短期相关性，若一平稳序列有显著的短期相关性，就一定不是白噪声。 R程序—平稳性、白噪声预分析 #生成一个模拟AR(2)的100项序列供分析，并显示时序图 u=arima.sim(n = 100, list(ar = c(0.6,-0.4)));plot(u) par(mfrow=c(1,2)) #开设一个有横向两绘图区的图形窗 acf(u,lag=12) #画出有12个延时期的自相关图 pacf(u,lag=12) #画出有12个延时期的偏自相关图 Box.test(u,Ljung-Box,lag=6) #延时期为6时的白噪声检验，p0.05为白噪声。 #生成一个模拟MA(2)的100项序列供分析，并显示时序图 v=arima.sim(n = 100, list(ma = c(0.3,-0.6)));plot(v) ………… #生成一个模拟ARMA(2,1)的100项序列供分析 w=arima.sim(n = 100, list(ar = c(0.7,-0.5),ma=0.4));plot(w) 非平稳序列的平稳化处理 对序列进行若干次差分，能使序列平稳化。 序列蕴含着显著的线性趋势，1阶差分就可以实现趋势平稳 序列蕴含着曲线趋势，通常低阶(2阶或3阶)差分就可以消除曲线趋势的影响 对于蕴含着固定周期的序列进行步长为周期长度的差分运算，通常可以较好地提取周期信息。 多次差分运算可充分消除原序列中的非平稳确定性信息。但差分运算是对信息的提取、加工，每次差分都会有信息的损失，应当避免过度差分。 ARMA模型 ARMA模型是描述平稳随机序列常用的一种模型. 模型ARMA(p,q)的一般表达式为 引进延时算子B：yt-1=Byt 则有： 其中： ARMA模型三种基本形式 自回归模型AR(p)（AR：Auto-regressive） 移动平均模型MA(q)（MA：Moving-Average） 混合模型ARMA(p,q)（ARMA：Auto-regressive Moving-Average） 求和自回归移动平均模型ARIMA(p,d,q) 建模的基本步骤 (1)求出该观察值序列的样本自相关系数(ACF)和样本偏自相关系数(PACF)的值。 (2)根据样本自相关系数和偏自相关系数的性质，选择阶数适当的ARMA(p,q)模型进行拟合。 (3)估计模型中未知参数的值。 (4)检验模型的有效性。如果拟合模型通不过检验；转向步骤(2)，重新选择模型再拟合。 (5)模型优化。如果拟合模型通过检验，仍然转向步骤(2)，充分考虑各种可能，建立多个拟合模型，从所有通过检验的拟合模型中选择最优模型。 (6)利用拟合模型，预测序列的将来走势。 模型识别 (1)在k=q后自相关函数{ρk} 截尾,而偏自相关函数{?kk}拖尾 = MA(q) (2)在k=p后偏自相关函数{?kk} 截尾,而自相关函数{ρk}拖尾 = AR(p) (3)若自相关函数、偏自相关函数都拖尾 = ARMA(p,q) p=?,q=?进一步试验 截尾性、拖尾性 自相关函数{ρk}截尾: 对每个q计算ρq+1, …, ρ