第五章_时间序列分析_102-122_

经济数学方法与模型（第五章时间序列分析）102第二篇预测方法与模型预测是研究客观事物未来发展方向与趋势的一门科学。统计预测是以统计调查资料为依据，以经济、社会、科学技术理论为基础，以数学模型为主要手段，对客观事物未来发展所作的定量推断和估计。根据社会、经济、科技的预测结论，人们可以调整发展战略，制定管理措施，平衡市场供求，进行各种各样的决策。预测也是制定政策，编制规划、计划，具体组织生产经营活动的科学基础。20世纪三四十年代以来，随着人类社会生产力水平的不断提高和科学技术的迅猛发展，特别是近年来以计算机为主的信息技术的飞速发展，更进一步推动了预测技术在国民经济、社会发展和科学技术各个领域的应用。预测包含定性预测法、因果关系预测法和时间序列预测法三类。本篇对定性预测法不加以介绍，对后两类方法选择以下几种介绍方法的原理、模型的建立和实际应用，分别为：时间序列分析、微分方程模型、灰色预测模型、人工神经网络。第五章时间序列分析在预测实践中，预测者们发现和总结了许多行之有效的预测理论和方法，但以概率统计理论为基础的预测方法目前仍然是最基本和最常用的方法。本章介绍其中的时间序列分析预测法。此方法是根据预测对象过去的统计数据找到其随时间变化的规律，建立时间序列模型，以推断未来数值的预测方法。时间序列分析在微观经济计量模型、宏观经济计量模型以及经济控制论中有广泛的应用。第一节时间序列简介所谓时间序列是指将同一现象在不同时间的观测值，按时间先后顺序排列所形成的数列。时间序列一般用,,,,21nyyy来表示，可以简记为}{ty。它的时间单位可以是分钟、时、日、周、旬、月、季、年等。一、时间序列预测法时间序列预测法就是通过编制和分析时间序列，根据时间序列所反应出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。其内容包括:收集与整理某种社会现象的历史资料；将这些资料进行检查鉴别，排成数列；分析时间序列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模型，以此模型去预测该社会现象将来的情况。二、时间序列数据的特点通常，时间序列经过合理的函数变换后都可以看作是由三个部分叠加而成，这三个部分是趋势项部分、周期项部分和随机项部分。1.趋势性许多序列的一个最主要的特征就是存在趋势。这种趋势可能是向下的也可能是向上的，也许比较陡，也许比较平缓，或者是指数增长，或者近似线性。总之，时间序列的趋势性是依据时间序列进行预测的本质所在。2.季节性/周期性当数据按照月或季观测时，通常的情况是这样的:时间序列会呈现出明显的季节性。对经济数学方法与模型（第二篇预测方法与模型）103季节性也不存在一个非常精确的定义。通常，当某个季节的观测值具有与其它季节的观测值明显不同的特征时，就称之为季节性。3.异常观测值异常观测值指那些严重偏离趋势范围的特殊点。异常观测值的出现往往是由于某些不可抗拒的外部条件的影响。如19601958年自然灾害和1966年左右“文化大革命”对我国经济的影响，造成经济指标陡然下降现象；1992年，我国银行紧缩政策造成的房地产业泡沫破灭，而使得房地产业的经济数据发生突然变化的例子等等。4.条件异方差性所谓条件异方差性，表现出来就是异常数据观测值成群地出现，故也称为“波动积聚性”。由于方差是风险的测度，因此波动存在的积聚性的预测对于评估投资决策是很有用的，对于期权和其它金融衍生产品的买卖决策也是有益的。5.非线性对非线性的最好定义就是“线性以外的一切”。非线性常常表现为“机制转换”(regimewitches)或者“状态依赖”(Statependence)。其中状态依赖意味着时间序列的特征依赖于其现时的状态;不同的时刻，其特征不一样。当时间序列的特征在所有的离散状态都不一样时，就成为机制转换特性。三、时间序列的分类1.按研究的对象的多少可分为单变量时间序列和多变量时间序列。如果所研究的对象是一个变量，如某个国家的国内生产总值，即为单变量时间序列。果所研究的对象是多个变量，如按年、月顺序排列的气温、气压、雨量数据，为多变量时间序列。多变量时间序列不仅描述了各个变量的变化规律，而且还表示了各变量间相互依存关系的动态规律性。2.按时间的连续性可将时间序列分为离散时间序列和连续时间序列。如果某一序列中的每一个序列值所对应的时间参数为间断点，则该序列就是一个离散时间序列。如果某一序列中的每个序列值所对应的时间参数为连续函数，则该序列就是一个连续时间序列。3.按序列的统计特性可分为平稳时间序列和非平稳时间序列两类。如果某个时间序列的概率分布与时间t无关，则称该序列为严格的（狭义的）平稳时间序列。如果序列的一、二阶矩存在，而且对任意时刻t满足:（1）均值为常数（2）协方差为时间间隔的函数则称该序列为宽平稳时间序列，也叫广义平稳时间序列。反之，不具有平稳性，即序列均值不为常数或协方差与时间有关的序列称为非平稳序列。4.按序列的分布规律可分为高斯型时间序列和非高斯时间序列。服从高斯分布(正态分布)的时间序列叫做高斯时间序列，否则叫做非高斯型时间序列。对于一些非高斯序列，往往可以通过适当的变换，可近似地看成是高斯型时间序列。四、常用的时间序列分析法时间序列分析预测分为确定性时序分析预测方法和随机性时序分析预测方法两大类。1.确定性时序分析若一个时间序列的未来值被某一个数学函数严格确定，例如：)2cos(fty这种形式，则称该时间序列为确定性的。确定性时间序列分析模型主要包括：移动平均模型、二次滑动经济数学方法与模型（第五章时间序列分析）104平均模型、指数平滑模型、二次指数平滑模型和三次指数平滑模型。2.随机时间序列分析若一个时间序列的未来值只能用概率分布加以描述，则称之为非确定性的时间序列或称随机时间序列。随机时间序列分析模型分为三种类型：自回归模型（Auto-regressiveModel）、滑动平均模型（MovingAverageModel）和自回归滑动平均模型（Auto-regressiveMovingAverageModel）。随机时序分析以随机过程理论作为其数学基础，通过对时序数据进行分析，完成对时序系统的预测、建模和控制。五、针对时间序列数据的建模步骤时间序列模型最主要的特征就是承认观测值之间的依赖关系和相关性，它是一种动态模型，能够应用于动态预测。时间序列预测方法的一般步骤为：1.确定预测目标明确预测的目标是进行有效预测的前提。预测的目标不同，所需的资料和采用的预测方法也有所不同。有了明确具体的预测目标，才能有的放矢地收集资料。预测目标的确定应尽量明细化、数量化，以利于预测工作的顺利开展。2.收集资料并进行数据的预处理准确调查的统计资料是统计预测的基础。预测之前，必须掌握大量的、全面的、准确有用的数据和情况。为保证统计资料的准确性，必须对资料进行审核、调整和推算。比如缺损值问题，它破坏了系统运行的连续性，特别是对于时间序列来说，缺损值违背了时间序列“顺序的重要性”原则。严格来说，不能依据一个“残缺”的序列进行分析，即使强制进行了分析，其结果也是无意义的。因此必须对缺损值进行预处理：如缺失较少，且缺失数据前后无大的波动，则可用平滑法、发展速度推算法、比例推算法、插值估算法等方式填充数据。这些方式既完善了数据，也不会使数据信息丧失太多。对于数据缺失较多的情况，如时间序列中连续一段时间缺失数据，就不能简单地用平滑的方式填充，因为这样可能丧失很重要的信息，这种情况下建模毫无意义，只能通过其他途径重新收集资料。此外，还要对序列中每一个数据的指标口径、计算范围、计算方法、计量单位等进行认真检查，若存在不一致，则要运用科学的方法进行调整，使整个序列中的每一个数据除时间属性不同之外，其所代表的实际意义完全一致。3.对资料进行初步分析对经审核的数据应进行初步分析，画出统计图形，以观察统计数据的性质和分布，以此作为选择适当预测模型的依据。（1）观察统计图形是否具有大的波动，如果存在，可能是数据采样时的误差，也可能是某些经济、政治等偶然性因素的冲击。特别是在国际期货、现货市场上，这种偶然性更是经常发生，使得期货市场呈现较大波动，现货市场也随之波动。这种冲击或误差造成的结果可能是结构性突变，在统计图形上就表现为突然的持续上涨或下降。不论是什么原因引起的，如果建模时忽略结构性突变，可能会得到虚假的结论，即伪结论。（2）观察其统计图形的大致走势，是否具有趋势性、季节性、周期性或随机性的特征，以初步判断这个序列适用哪种时序预测模型。4.选择预测方法经济数学方法与模型（第二篇预测方法与模型）105一方面，通过对资料数据的整理、分析，清楚地了解到预测对象的变化情况；另一方面通过对各种时序预测方法在合适性、费用和精确度方面的综合衡量，我们就可以选择出适当的预测方法。5.预测和结果评价进行预测时，不能简单地依靠某一理论或套用某一模型加以预测，要综合考虑各方面的情况，因为实际情况错综复杂，影响因素众多。借助于经验判断、逻辑推理、统计分析等方面的预测判断，能够使预测的结果更为合理，从而得出最后的预测结果。对预测结果的评价主要是通过对预测误差的分析进行的。分析预测的误差时要考虑以下两种情况：一是理论预测误差，即在选用预测方案之前，利用数学统计模型所估计的理论预测值，与同期的实际观察值相比而产生的误差，然后分析、改进，选择较为合适的数学统计模型。二是实际预测误差，即在选用预测方案之后，追踪、检查预测方案的结果是否合乎实际的情况，分析预测误差的大小以及所造成的原因，总结经验教训，进一步改进今后的预测工作。对预测结果的评价，主要从统计检验和直观判断两个方面着手来判断预测结果的可信度、是否跟实际情况相吻合等，然后根据对预测结果的分析与评价，确定最终的预测值。六、时间序列的优、缺点1.优点（1）时间序列预测法只需要一个变量在不同时刻的观测值即可建模，因而得到广泛应用。（2）时间序列预测法没有过于严格的假定条件。（3）应用随机时间序列分析时，无需一开始就假设一个固定的模式，而是先假设一个试用模式，然后根据误差等各种信息来判断初步假设的模式是否恰当。如果恰当，则进行预测；如不恰当，则修正模型。反复这个过程，可在基本模式方面获得一个最优预测模型，使误差为最小。所以随机时间序列预测方法特别适合于处理复杂的时间序列，以及存在多种模式的预测情况，它能利用一套明确规定的准则来处理这些复杂的模式。（4）时间序列是一种精确度很高的短期预测方法，而且既可以做点预测，也可以做区间预测。2.缺点事实上，大多经济现象的变化发展是千变万化的，在一个较长时间内外界影响因素变化的可能性较大，而时间序列分析预测法是根据预测对象过去和现在的发展变化规律和趋势来预测未来的，所以它只能在较短时间内做出有效预测。预测的超前时间一般不应超过时间序列历史区间的十五分之一。也就是说，假如时间序列采集的历史统计数据的时间区间是五年，那么最多只能在此后三到四个月内做出较为有效的预测，并且预测时间越长，预测误差越大。第二节移动平均模型移动平均法就是根据历史统计数据的变化规律，使用最近时期数据的平均数，利用上一个或几个时期的数据产生下一期的预测值。移动平均法是一种常用的确定性时间序列预测法，本节主要介绍一次移动平均预测法和加权一次移动平均预测法。一、简单一次移动平均预测法已知序列nyyy,,,21是预测前的实际数据组成的时间序列。如果过早的数据已失去意义，不能反映当前数据的规律，那么可以用一次移动平均法来作预测。即保留最近一个时间区间内的数据，用其算术平均数作为预测值。经济数学方法与模型（第五章时间序列分析）106设时间序列为}{ty，取移动平均的项数为n，则第1t期预测值的计算公式为：njjntntttttynnyyyMy111)1(111.2.5其中：ty表示第t期实际值；1ty表示第1t期预测值（0t）。预测标准误差为：nNyyStt2112.2.5上式中，N为时间序列}{ty所含原始数据的个数。当预测目标的基本趋势