数据分析中的时间序列预测方法

时间序列分析在我国财政预算支出预测中

的应用

时间序列分析是经济领域研究的重要工具之一，它描述历史数据随

时间变化的规律，并用于预测经济变量值。财政支出是一个地区或国家

经济指标体系中的一个核心指标，它能综合反映经济活动总量和衡量个

地区或国家的工业经济发展水平。对财政支出进行定量分析并对其作出

较为准确的预测则可以为相关部门或者企业制定发展规划、实施相关措

施提供可靠的理论预测参考。

本文系统阐述了时间序列分析方法在社会消费品零售总额预测中的

应用，运用ARMA模型对我国财政支出进行短期预测，利用2007年到2012

年我国财政预算支出数据进行预处理和分析，发现该时间序列既包含趋

势性又包含季节性，然后对其进行ARMA建模分析。

一、时间序列的特性分析

在建立时间序列模型之前，必须对时间序列数据进行预处理，以便

剔除那些不符合统计规律的异常样本，同时还要对这些数据的基本统计

特征进行检验，以确保建立的时间序列模型的可靠性和置信度，并满足

一定的精度要求。对时间序列数据进行的预处理包括平稳性检验、纯随

机性检验和季节性检验。

（一）时间序列定义

所谓时间序列就是按照时间的顺序记录的一列有序数据。对时间序

列进行观察、研究，找寻它的变化发展规律，预测它将来的走势就是时

间序列分析。

在统计研究中，常用按时间顺序排列的一组随机变量

…,…

来表示一个随机事件的时间序列，简记为{)或{)。用

或{}表示该随机序列的n个有序观察值，称之为序列长度为n的观察值序列。

（二）平稳性

1、平稳时间序列的定义

随机时间序列的平稳性分为严平稳和宽平稳。

严平稳是一种条件比较苛刻的平稳性定义，它认为只有当序列所有

的统计性质都不会随着时间的推移而发生变化时，该序列才能被认为平

稳。设{)为一时间序列，对任意正整数m，任取，对任意整数，有

则称时间序列为严平稳时间序列。

宽平稳是使用序列的特征统计量来定义的一种平稳性。它认为序列

的统计性质主要由它的低阶矩决定，所以只要保证序列低阶矩平稳（二

金融时间序列数据预测方法探析

本文提出了一种改进的金融时间序列数据预测方法，该方法首先对采集到的数据进行预处理，然后利用决策树来对金融时间序列进行特征抽取，并建立基于支持向量机的时间序列预测模型，最后对时间序列数据进行预测并输出预测结果。仿真结果表明，本文提出的方法可以有效地降低预测模型复杂度，同时提高预测能力和泛化性能。

关键词：金融时间序列 决策树 支持向量机 预测

金融时间序列是指在金融市场（如股票市场、外汇市场等）上金融产品的价格按时间顺序而得到的一列价格数据，它是金融市场分析的基础。本文研究的对象是证券指数中的价格数据与交易数据，研究的任务是要从这些数据中提取有用信息，将这些信息转化为知识或规律，并最终有利于人们当前和未来的生产和生活实践。

相关文献综述

金融时间序列预测方法的研究是目前的热点问题，例如，熊正丰（2002）讨论了金融时间序列的性质，通过实际数据说明，金融时间序列具有两个重要特性。统计自相似性和非平稳性/利用正交小波变换的方法，给出了其分形维的估计方法。最后，实证分析了国内金融市场，并分别得出了上证综合指数序列过程和深证成分指数序列过程的分形维。

辛治远等（2008）提出了一种基于最小二乘支持向量机的复杂金融数据时间序列预测方法。实验中以证券指数为实验数据，对大批量金融数据进行了时间序列预测，相比于神经网络预测方法，该方法在大批量金融数据时间序列预测的训练时间、训练次数和预测误差上都有了明显提高，对复杂金融时问序列具有较好的预测效果。

黄超（2005）针对金融时间序列的趋势性和趋势变动性，提出了基于回归系数的时间序列维约简方法—逐段回归近似（PRA），该方法具有线性时间复杂度，并且对均值平稳的独立噪声干扰不敏感。同时证明了使用PRA方法进行相似性查找满足下界定理（也称为收缩性），因而是有效的。对实际数据的实验结果表明，使用PRA方法，可以对金融时间序列进行基于趋势与趋势变动的相似性查找。

龙源期刊网

时间序列分析在对猪肉价格的预测分析中的应用

作者：冀德刚 周 静 李春兰

来源：《商场现代化》2008年第13期

[摘要] 文章通过引入Box-jenkins随机序列ARMA(p , q)和ARIMA(p ,d, q)模型，对河北省唐山市猪肉进货价格变化情况进行了预测和分析，并提出一些对策和建议。

[关键词] 猪肉进价 ARIMA(p ,d, q)模型

自从2007年五月份以来，全国猪肉价格普遍上涨，而且上涨速度和上涨幅度都比较大，引起了全社会的普遍关注。本文试图采取时间序列的分析方法，通过对唐山市2005年～2007年猪肉价格的分析，找出猪肉价格的变化规律，并预测未来的发展趋势，同时提出减少这种价格波动的几点建议。

一、建立模型

1.数据预处理。据唐山市物价局提供的2005年～2007年唐山市每月猪肉平均进价的数据，令Xt表示t月的猪肉进价。根据序列Xt的变化曲线不难看出它是非平稳序列，故对其作一阶差分变换得到序列Yt。根据平稳性的非参数检验法，经计算统计量|Z|=1.85724

2.模型定阶。由于序列Yt的自相关函数呈正弦波衰减特征，而偏相关函数在k=2之后呈现拖尾特征，由此初步判定非季节模型应用ARIMA(2,1,0)模型；同时由于Xt的一阶季节差分序列偏自相关系数在k=1时截尾，故考虑季节性ARIMA(1,1,0)模型。同时考虑ARIMA

(1,1,0)×(1,1,0)模型和ARIMA(1,1,1)×(1,1,0)模型和ARIMA(2,1,1)×(1,1,0)模型对数据的拟和情况。通过比较ARIMA(1,1,0)×(1,1,0)模型的AIC和SBC值最小，因此可以认为利用ARIMA

(1,1,0)×(1,1,0)对Xt进行拟和是比较合适的。

3.模型的检验和预测。本文采取残差序列的卡方检验，通过观察残差序列的自相关函数图，其自相关系数均落在置信区间内，而且Box-Ljung统计量在所有时点上都没有显著性显示，因此确定模型的拟合精度很高，认为ARIMA(1,1,0)×(1,1,0)模型可以用来预测未来猪肉价格的走势。借助SPSS12.0软件，对唐山市猪肉价格的发展趋势进行预测。预测结果如下(表一）：

龙源期刊网

时间序列分析在我国GDP预测中的应用

作者：刘璐

来源：《时代金融》2017年第16期

【摘要】GDP是反映一国经济增长、经济规模、人均经济发展水平、经济结构和价格总水平变化的一个基础性指标，而且也为国家和地区在部署战略方针和制定宏观经济政策上提供了一种参考和依据。改革开放后，中国的经济实力不断提高，GDP连年增长，并呈现一定规律。如果可以准确地预测未来中国之后几年的GDP，将为国家的宏观调控工作提供巨大帮助。本文基于时间序列分析理论，以我国1986年～2016年国内生产总值为基础，利用EViews8.0软件，对数据进行拟合分析，建立模型，并利用所建模型对我国未来三年的GDP作出预测。

【关键词】时间序列 GDP ARMA模型 ARIMA模型

一、引言

GDP是指国民生产总值，它指的是，一定时期内，一个国家地区生产活动的最终结果。它不仅能够反映经济变化的情况，还可以计算经济周期，为更好的衡量、预测经济的发展状况提供了重要支持。对于GDP的预测，可以更加清楚地了解到未来经济的走势和发展状态，因此，GDP的准确预测和分析具有重要作用。

时间序列分析是一种动态的，用于处理数据的统计学方法。它根据观测到的按时间排序的数据，在曲线拟合和参数估计的理论支持下，建立相关的数学模型，来预测未来的发展状况。时间序列分析既要承认事物发展具有延续性，根据旧数据，能预测出事物的发展趋势。也要考虑事物发展具有随机性，所有事物的发展都会受到偶然因素的影响，鉴于此，我们应该采用加权平均法来处理数据。加权平均法简单易操作，但是它的准确性不高，因此一般只用在短期预测之中。本文将时间序列分析法用到我国GDP预测中，建立相对应的时间序列模型，预测我国GDP未来趋势，为我国更有效地调控宏观经济和制定决策提供理论支持。

二、我国GDP的ARMA模型的建立