应用时间序列分析.ppt

第一章 第一节 绪 论 本章介绍时间序列分析的基本概念与研究方法。“时间序列分析”是概率统计学的一个分支，近二十多年来，无论在理论还是应用方面，都有迅速的发展，它所提供的动态数据处理方法在国际国内的应用正日渐广泛，而且随着计算机的普及,生命力越来越旺盛。 最早的时间序列分析可以追溯到7000年前的古埃及。 古埃及人把尼罗河涨落的情况逐天记录下来，就构成所谓的时间序列。对这个时间序列长期的观察使他们发现尼罗河的涨落非常有规律。由于掌握了尼罗河泛滥的规律，使得古埃及的农业迅速发展，从而创建了埃及灿烂的史前文明。 按照时间的顺序把随机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。 常用的宏观时间序列有三种频率，月度（monthly）、季度（quarterly）、年度（annual）。 其它数据有截面、日度、周、时、不规则数据等。比如：WTI原油月平均价格。 从数学意义上讲 时间序列是随机过程（stochastic process）一个特例，即由有序的随机变量(random variable)组成的序列，设T为一个有序集，以T中元素t为下标的变量Xt是随机变量，则 {Xt | t∈T} 是一个时间序列，因为T为有序集，于是时间序列也可以表示为 。或简单表示为 。 在本教学过程中，我们用 来表示时间序列。 时间序列中的时间指广义时间，即有序集，不一定非得是狭义的时间概念，只要是有顺序的随机变量列就是时间序列，比如，温度、湿度、速度、压力等有“顺序”意义的物理量。 从系统意义上讲 时间序列就是某一系统在不同时间（广义时间）上的响应，即系统在不同时刻的状态值，比如正在飞行着的宇宙飞船系统每隔10分钟所记录的飞行速度等。 宽平稳时间序列Xt的条件：时序的一、二阶矩存在，而且对任意时刻t满足： （1）Xt的均值（数学期望expectation）为常数，即 E(Xt)=μ . （2）协方差(covariance)与下标无关，只与下标之间的间隔有关，即 Cov(Xt， Xt-s)= （宽平稳时间序列的协方差是下标间隔的函数） 此外，时间序列分析也可用于其他学科。比如，天文学中的太阳黑子数、地球物理学中的地震波序列、海洋学中的浪高序列、气象学中的降雨量序列、医学上的脑电波序列、雷达系统对目标的定位序列等，都是时间序列。 每一时间序列都包含了产生该序列的系统的历史行为的全部信息。问题是如何才能根据这些时间序列的变化，较精确地找出相应系统的内在统计特征和发展规律性，尽可能地从中提取出我们所需要的准确信息。用来实现上述目的 的方法总称为时间序列分析。它是一种根据动态数据揭示系统动态结构和规律性的统计方法，是统计学的一个分支。其基本思想是根据系统的有限长度的运行记录（样本数据），建立能够比较精确地反映时间序列中所包含的动态依存关系的数学模型，并借以对系统的未来发展进行预报（时间序列预测）。 影响时间序列变化的因素主要有四个方面，①长期趋势：即随着时间的长期变化呈现出的某种上升、下降或保持在某一水平上的变化规律；②季节波动：即月度或季度数据呈现出的随一年中四个季度变化而有规则变动的规律性；③循环波动：即以若干年为周期的变化波动（如经济周期等）；④随机波动：即由不可控的偶然或随机因素影响而产 生的变动。前三种变动依据一定的规律而变化，随机波动采用一定的方法可从中消除，因而，时间序列分析即设法消除随机波动，然后，拟合确定的趋势，即长期趋势分析、季节变化分析和循环波动测定等一系列确定性时间序列分析方法 。 时间序列分析方法按照采用的手段不同可分为数据图法、指标法和模型法三类。数据图法即将时间序列数据采用一定的软件绘制变化图（Line、Bar），从而可以直观地了解其变化的总趋势、变化周期以及异常点、转折点等信息。这一方法常常作为其他方法的切入点。指标法是通过计算反映系统变化的一系列核心指标值从而了解系统的内在变化 规律。如反映变化率的发展速度与增长速度。模型法是针对不同的时间序列，根据统计与数学方法，建立描述该序列的数学模型，以此来作预测。最常见的有ARMA模型等。 时间序列的基本特征就是研究