当前位置：首页 > news >正文

时间序列预测模型大盘点：从经典到进阶

news 2026/5/12 18:57:30

[matlab]10种经典的时间序列预测模型本文演示了 10 种不同的经典时间序列预测方法，它们是 1) 自回归 (AR) 2) 移动平均线 3) 自回归移动平均线 4) 自回归积分移动平均线 (ARIMA) 5) 季节性自回归积分移动平均线 (SARIMA) 6) 具有外生回归量的季节性自回归综合移动平均线 (SARIMAX) 8) 具有 ARIMA 误差的回归模型 9) 向量自回归 (VAR) 10) GARCH 模型 11) Glostan、Jagannathan 和 Runkle GARCH 模型

时间序列预测一直是数据分析中的一个重要领域，无论是股票价格、天气预报，还是销售预测，时间序列模型都能派上大用场。今天，我们就来聊聊时间序列预测中的10种经典模型，从简单的自回归模型到复杂的GARCH模型，逐一分析它们的特点和应用场景。

1. 自回归模型（AR）

自回归模型（Autoregressive Model，AR）是最基础的时间序列模型之一。它的核心思想是利用序列自身的过去值来预测未来值。AR模型假设当前值与过去值之间存在线性关系。

代码示例

% 生成一个AR(1)模型的数据 ar_model = arima('AR', {0.5}); data = simulate(ar_model, 100); % 绘制数据 plot(data); title('AR(1) Model Simulation');

分析

AR模型简单易懂，适合处理具有显著自相关性的数据。不过，它对数据的平稳性要求较高，如果不满足平稳性假设，可能需要先进行差分处理。

2. 移动平均线（MA）

移动平均线模型（Moving Average Model，MA）与AR模型类似，但它不是直接依赖过去值，而是依赖于过去的误差项。MA模型假设当前值是过去误差的加权和。

代码示例

% 生成一个MA(1)模型的数据 ma_model = arima('MA', {0.5}); data = simulate(ma_model, 100); % 绘制数据 plot(data); title('MA(1) Model Simulation');

分析

MA模型适用于短期预测，但它对数据的平稳性同样敏感。此外，MA模型的可解释性较差，因为误差项是不可观测的。

3. 自回归移动平均线（ARMA）

ARMA模型（Autoregressive Moving Average Model）是AR和MA模型的结合体。它同时考虑了过去值和过去误差项的影响。

代码示例

% 生成一个ARMA(1,1)模型的数据 arma_model = arima('AR', {0.5}, 'MA', {0.5}); data = simulate(arma_model, 100); % 绘制数据 plot(data); title('ARMA(1,1) Model Simulation');

分析

ARMA模型在实际应用中非常广泛，因为它能够捕捉到数据中的多重自相关性。不过，ARMA模型仍然要求数据是平稳的，否则需要进行差分处理。

4. 自回归积分移动平均线（ARIMA）

ARIMA模型（Autoregressive Integrated Moving Average Model）是ARMA模型的扩展，它通过差分处理来消除数据的非平稳性。

代码示例

% 生成一个ARIMA(1,1,1)模型的数据 arima_model = arima('AR', {0.5}, 'MA', {0.5}, 'D', 1); data = simulate(arima_model, 100); % 绘制数据 plot(data); title('ARIMA(1,1,1) Model Simulation');

分析

ARIMA模型在处理非平稳时间序列时表现出色，但它需要通过单位根检验来确定差分的次数，这在实际操作中可能需要一定的经验。

5. 季节性自回归积分移动平均线（SARIMA）

SARIMA模型（Seasonal Autoregressive Integrated Moving Average Model）是ARIMA模型的季节性扩展，适用于具有周期性变化的数据。

代码示例

% 生成一个SARIMA(1,1,1)(1,1,1,4)模型的数据 sarima_model = arima('AR', {0.5}, 'MA', {0.5}, 'SAR', {0.5}, 'SMA', {0.5}, 'D', 1, 'Seasonality', 4); data = simulate(sarima_model, 100); % 绘制数据 plot(data); title('SARIMA Model Simulation');

分析

SARIMA模型非常适合处理具有季节性特征的数据，比如季度销售数据或月度气温数据。不过，它的参数设置相对复杂，需要结合季节性检验来确定模型结构。

6. 具有外生回归量的季节性自回归综合移动平均线（SARIMAX）

SARIMAX模型（Seasonal Autoregressive Integrated Moving Average with Exogenous Variables Model）是SARIMA模型的扩展，它允许引入外生变量来提高预测精度。

代码示例

% 生成一个SARIMAX模型的数据 % 这里需要引入外生变量，例如温度数据 load Data_Airline; X = Data_Airline(:, 2); % 外生变量 sarimax_model = arima('AR', {0.5}, 'MA', {0.5}, 'SAR', {0.5}, 'SMA', {0.5}, 'D', 1, 'Seasonality', 4); [sarimax_model, VarCov] = estimate(sarimax_model, Data_Airline(:, 1), 'X', X);

分析

SARIMAX模型在实际应用中非常有用，因为它可以结合外部因素（如价格、广告投入等）来改进预测结果。不过，外生变量的选择和处理需要一定的专业知识。

7. 具有 ARIMA 误差的回归模型

这种模型结合了传统的回归分析和ARIMA模型，适用于既有自变量又有时间序列误差的情况。

代码示例

% 生成一个具有ARIMA误差的回归模型的数据 X = randn(100, 1); % 自变量 beta = [1; 0.5]; % 回归系数 epsilon = simulate(arima('AR', {0.5}, 'MA', {0.5}), 100); % ARIMA误差 y = X * beta + epsilon; % 拟合模型 reg_arima = arima('AR', {0.5}, 'MA', {0.5}); [reg_arima, VarCov] = estimate(reg_arima, y, 'X', X);

分析

这种模型在实际应用中非常灵活，可以同时捕捉自变量的影响和时间序列的动态特性。不过，模型的解释性和可操作性可能因自变量的数量和质量而有所不同。

8. 向量自回归（VAR）

VAR模型（Vector Autoregression Model）是一种多变量时间序列模型，它允许变量之间相互影响。

代码示例

% 生成一个VAR(2)模型的数据 var_model = varm(2, 2); % 2个变量，2阶 var_model.AR = {rand(2,2), rand(2,2)}; % 随机生成AR系数 data = simulate(var_model, 100); % 绘制数据 plot(data); title('VAR Model Simulation');

分析

VAR模型非常适合处理多个相互关联的时间序列，比如GDP和失业率之间的关系。不过，VAR模型的参数数量较多，容易导致过拟合。

9. GARCH 模型

GARCH模型（Generalized Autoregressive Conditional Heteroskedasticity Model）主要用于建模和预测时间序列的波动率。

代码示例

% 生成一个GARCH(1,1)模型的数据 garch_model = garch(1,1); garch_model.Constant = 0.0001; garch_model.ARCH = 0.2; garch_model.GARCH = 0.7; data = simulate(garch_model, 100); % 绘制数据 plot(data); title('GARCH Model Simulation');

分析

GARCH模型在金融领域应用广泛，因为它能够捕捉到波动率的聚集性和长记忆特性。不过，GARCH模型对初始条件和参数选择较为敏感。

10. Glosten、Jagannathan 和 Runkle GARCH 模型

GJR-GARCH模型是GARCH模型的扩展，它考虑了负收益对波动率的不对称影响。

代码示例

% 生成一个GJR-GARCH(1,1)模型的数据 gjr_model = gjr(1,1); gjr_model.Constant = 0.0001; gjr_model.ARCH = 0.2; gjr_model.GARCH = 0.7; gjr_model.Leverage = -0.1; data = simulate(gjr_model, 100); % 绘制数据 plot(data); title('GJR-GARCH Model Simulation');