时间序列分析⼀、定义时间序列（或称动态数列）是指将同⼀统计指标的数值按其发⽣的时间先后顺序排列⽽成的数列。
时间序列分析的主要⽬的是根据已有的历史数据对未来进⾏预测。
经济数据中⼤多数以时间序列的形式给出。
根据观察时间的不同，时间序列中的时间可以是年份、季度、⽉份或其他任何时间形式。
时间序列简单的说就是各时间点上形成的数值序列。
时间序列分析并不是关于时间的回归，它主要是研究⾃⾝的变化规律的（这⾥不考虑含外⽣变量的时间序列）。
对时间序列进⾏观察,研究，寻找它变化发展的规律，预测它将来的⾛势，就是时间序列分析。
⼆、构成要素：长期趋势，季节变动，循环变动，不规则变动。
1）长期趋势（ T ）现象在较长时期内受某种根本性因素作⽤⽽形成的总的变动趋势。
2）季节变动（ S ）现象在⼀年内随着季节的变化⽽发⽣的有规律的周期性变动。
3）循环变动（ C ）现象以若⼲年为周期所呈现出的波浪起伏形态的有规律的变动。
4）不规则变动（I ）是⼀种⽆规律可循的变动，包括严格的随机变动和不规则的突发性影响很⼤的变动两种类型。
三、作⽤1. 反映社会经济现象的发展变化过程，描述现象的发展状态和结果。
2. 研究社会经济现象的发展趋势和发展速度。
3. 探索现象发展变化的规律，对某些社会经济现象进⾏预测。
4. 利⽤时间序列可以在不同地区或国家之间进⾏对⽐分析，这也是统计分析的重要⽅法之⼀。
四、变量特征⾮平稳性（nonstationarity，也译作不平稳性，⾮稳定性）：即时间序列变量⽆法呈现出⼀个长期趋势并最终趋于⼀个常数或是⼀个线性函数。
波动幅度随时间变化（Time－varying Volatility）：即⼀个时间序列变量的⽅差随时间的变化⽽变化。
这两个特征使得有效分析时间序列变量⼗分困难。
平稳型时间数列（Stationary Time Series）系指⼀个时间数列其统计特性将不随时间之变化⽽改变。
五、时域分析的经典步骤1.考察序列的特征，检验是否具有平稳性2.根据序列特征选择拟合的模型3.确定模型的⼝径4.检验、优化模型5.利⽤拟合的模型进⾏预测以下为转载————————————————版权声明：本⽂为CSDN博主「Python⾦融量化」的原创⽂章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原⽂出处链接及本声明。
