时间序列分析简介课件.ppt

1、1-1-时间序列分析简介时间序列分析简介 在此添加副标题在此添加副标题2022-12-29联系方式及答疑时间地点 联系方式 邮件：zplusfs.ecnu.edu 答疑时间地点 时间：每周二中午11h45-12h45 地点：金统楼235办公室 上机时间：待定 2022-12-29考核方式 平时：Project：30%(2人一组)+作业10%期末：60%作业：理论+实际数据2022-12-29教材 时间序列分析及应用 R语言 Cryer and Chan 机械工业出版社 20102022-12-29参考书目 Ruey S.Tsay（2011）王辉 潘家柱 译 金融时间序列分析（第二版）人民邮电出

2、版社 P.J.Brockwell and R.A.Davis(2006)Time Series:Theory and Methods(2nd Edition),Springer.Time Series Analysis and its Applications.With R Examples,Shumway and Stoffer.2nd Edition.2006.何书元（2003）应用时间序列分析，北大出版社 Google中输入“Time series analysis&R”Google中输入“时间序列分析”2022-12-29Planp 时间序列分析简介p R语言介绍(New)p 时间序列

3、的预处理p 平稳时间序列分析 线性模型 非线性模型p 非平稳序列分析p 多元时间序列分析2022-12-29第一章 时间序列分析简介1.1 引言1.2 时间序列的定义1.3 时间序列分析方法简介 1.4 时间序列分析软件 2022-12-291.1 引 言最早的时间序列分析可追溯到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的规律。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。时间序列分析与金融和经济生活密

4、切相关2022-12-299We analyze time series to detect patterns.The patterns help in forecasting future values of the time series.Predicted value1.00.80.60.40.20.0543210-1-2-3TimeXWeak linear trend不同的时间序列有不同的特征1.00.80.60.40.20.0100806040200TimeStrong linear trend1.00.80.60.40.20.05.02.50.0-2.5-5.0TimeXNon-l

5、inear trend1.00.80.60.40.20.03210-1-2-3TimeXChanging variance1.00.80.60.40.20.086420-2TimeLog(X)Log-transformed data1.00.80.60.40.20.0300025002000150010005000TimeXTime-dependent variance2022-12-291.2 时间序列的定义 随机序列:按时间顺序排列的一组随机变量观察值序列:随机序列的 个有序观察值，称之为序列长度为 的观察值序列随机序列和观察值序列的关系观察值序列是随机序列的一个实现研究的目的是想揭示随机

6、时序的性质实现的手段都是通过观察值序列的性质进行推断,21tXXXnxxx,21nnWhat is time series data?We can think of time series as being generated by a stochastic process,or the data generating process(DGP).2022-12-292022-12-292022-12-29Properties of Time Series Data Property#1:Time series data have autoregressive(AR),moving averag

7、e(MA),and seasonal dynamic processes.Because time series data are ordered in time,past values influence future values.U.S.Monthly Presidential Approval Data,1978:1-2004:720406080100PRESAP1980m11985m11990m11995m12000m12005m1dateProperties of Time Series Data Property#2:Time series data often have tim

8、e-dependent moments(e.g.mean,variance,skewness,kurtosis).The mean or variance of many time series increases over time.This is a property of time series data called nonstationarity.As Granger&Newbold(1974)demonstrated,if two independent,nonstationary series are regressed on each other,the chances for

9、 finding a spurious relationship are very high.Number of Militarized Interstate Disputes(MIDs),1816-2001050100150(sum)count18001850190019502000yearNonstationarity in the Variance of a Series If the variance of a series is not constant over time,we can model this heteroskedasticity using models like

10、ARCH,GARCH,and EGARCH.Example:Changes in the monthly DOW Jones value.-1000-50005001000dowdf1980jan1985jan1990jan1995jan2000jandateProperties of Time Series Data Property#3:The sequential nature of time series data allows for forecasting of future events.Property#4:Events in a time series can cause s

11、tructural breaks in the data series.We can estimate these changes with intervention analysis,transfer function models,regime switching/Markov models,etc.2004006008001000average daily calls to directory assistance,cincinnati,oh1962m11964m1 1966m11968m1 1970m11972m11974m1 1976m1dateProperties of Time

12、Series Data Property#5:Many time series are in an equilibrium relationship over time,what we call cointegration.We can model this relationship with error correction models(ECM).Property#6:Many time series data are endogenously related,which we can model with multi-equation time series approaches,suc

13、h as vector autoregression(VAR).Property#7:The effect of independent variables on a dependent variable can vary over time;we can estimate these dynamic effects with time varying parameter models.2022-12-291.3 时间序列分析方法2022-12-29Objectives of Time Series Analysis1.Compact description of data.2.Interpr

14、etation.3.Forecasting.4.Control.5.Hypothesis testing.6.Simulation.2022-12-292022-12-292022-12-292022-12-292022-12-292022-12-292022-12-292022-12-292022-12-292022-12-292022-12-292022-12-292022-12-29时间序列分析方法 描述性时序分析 统计时序分析 2022-12-29描述性时序分析 通过直观的数据比较或绘图观测，寻找序列中蕴含的发展规律，这种分析方法就称为描述性时序分析 描述性时序分析方法具有操作简单、直

15、观有效的特点，它通常是人们进行统计时序分析的第一步。2022-12-29描述性时序分析案例德国业余天文学家施瓦尔发现太阳黑子的活动具有11年左右的周期2022-12-29统计时序分析 频域分析方法 时域分析方法 时域-频域分析方法2022-12-29频域分析方法 原理 假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动 发展过程 早期的频域分析方法借助富里埃分析从频率的角度揭示时间序列的规律 后来借助了傅里叶变换，用正弦、余弦项之和来逼近某个函数 20世纪60年代，引入最大熵谱估计理论，进入现代谱分析阶段 特点 非常有用的动态数据分析方法，但是由于分析方法复杂，结果抽象，有一定的使

16、用局限性2022-12-29时域分析方法 原理 事件的发展通常都具有一定的惯性，这种惯性用统计的语言来描述就是序列值之间存在着一定的相关关系，这种相关关系通常具有某种统计规律。目的 寻找出序列值之间相关关系的统计规律，并拟合出适当的数学模型来描述这种规律，进而利用这个拟合模型预测序列未来的走势 特点 理论基础扎实，操作步骤规范，分析结果易于解释，是时间序列分析的主流方法 2022-12-29时域分析方法的分析步骤 考察观察值序列的特征 根据序列的特征选择适当的拟合模型 根据序列的观察数据确定模型的参数等 检验模型，优化模型 利用拟合好的模型来推断序列其它的统计性质或预测序列将来的发展 2022

17、-12-29时域分析方法的发展过程 基础阶段 核心阶段 完善阶段2022-12-29基础阶段 G.U.Yule 1927年，AR模型（Autoregressive model）G.T.Walker 1931年，MA模型，ARMA模型(Autoregressive and Moving Average model)2022-12-29核心阶段 G.E.P.Box和 G.M.Jenkins 1970年，出版Time Series Analysis Forecasting and Control 提出ARIMA模型（BoxJenkins 模型）BoxJenkins模型实际上是主要运用于单变量、同方差

18、场合的线性模型 2022-12-29完善阶段 异方差场合（非线性模型）Robert F.Engle，1982年，ARCH模型 Bollerslov，1985年GARCH模型 多变量场合（多元时间序类分析）C.Granger，1987年，提出了协整（co-integration）理论 非线性场合 汤家豪等，1980年，门限自回归模型2022-12-29时域-频域分析方法 小波分析为主 Morlet，Meyer，Daubechies等 时间-频率窗口，多尺度分析 经典著作：时间序列分析的小波方法 Wavelet Methods for Time Series Analysis D.B.Percival and A.T.Walden,2004,Cambridge University Press