预测模型

1. RIMA模型

全称自回归移动平均模型,也记作ARIMA(p,d,q),是统计模型(statistic model)中最常见的一种用来进行时间序列 预测的模型。
优点:模型十分简单,只需要内生变量而不需要借助外生变量。
缺点

  • 要求时序数据是稳定的,或者通过差分化后是稳定的。
  • 本质上只能捕捉线性关系,不能捕捉非线性关系。
    注意,采用ARIMA模型预测时序数据,必须是稳定的,如果不稳定的数据,是无法捕捉到规律的。比如股票数据用ARIMA无法预测的原因就是股票数据是非稳定的,常常受政策和新闻的影响而波动。
    判断时序数据是稳定的方法
    定义:一个时间序列的随机变量是稳定的,当且仅当其所有统计特征都是独立于时间的(关于时间的常量)。
    判断方法:稳定的数据是没有趋势没有周期性的,均值在时间轴上拥有常量的振幅,方差在时间轴上趋于同一个稳定的值。也可以使用Dickey-Fuller Test进行假设检验。
    参数和数据形式
    模型有三个参数:p,d,q。
  • p--代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项
  • d--代表时序数据需要进行几阶差分化,才是稳定的,也叫Integrated项。
  • q--代表预测模型中采用的预测误差的滞后数(lags),也叫做MA/Moving Average项
posted @ 2017-07-25 20:30  三门曾经  阅读(985)  评论(0编辑  收藏  举报