第六章.时间序列预测ppt课件

1、第六章 时间序列预测学习重点： 一、时间数列的方式，具有时间数列特征的市场景象； 二、平均预测法及其运用 三、指数平滑法及其运用 四、季节指数法及其运用 五、趋势外推法及其运用时间序列简介 概念：又称时间数列，是将某种景象的数量变化，按时间的先后顺序陈列而成的数据方式。 种类：程度型、季节型、周期变动型、趋势型和不规那么型。 程度型时间数列中的数据围绕某一程度上下动摇，且动摇没有规律性。 季节型时间数列的数据表现出随着季节变换在每一季节内都会反复出现有规律动摇的形状。 周期型时间数列是指数据在较长的周期内呈现出有规律的循环变动形状。第一节、平均预测法 平均预测法：是以一定察看期内市场景象时间数

2、列的平均数作为某个未来期的预测值的预测方法。 它适用于对没有明显的增减倾向，又具有随机动摇影响的市场景象的预测。 常用方法：简单平均、加权平均、挪动平均一、简单平均法 概念：是以一定察看期内预测变量的算术平均数作为下期预测值的预测方法。 实践上是指各个察看指数的权重是相等的。为1/n二、加权平均法 概念：是指将时间数列的各个数据看作对预测值有不同的影响程度，分别给各个数据以不同的全数后计算出加权平均数，并将其作为下期预测值的方法。 适用的关键：合理确定权数，附近的值权艰苦，远期的值权重小。各个权重的级差是根据预测者的阅历来判别的。三、挪动平均法 概念：是将察看期的统计数据，由远而近地按照一定跨

3、越期逐一求平均值，并将最后一个平均值作为预测值的方法。 预测的准确的程度，取决于挪动跨越期的长短。跨越期越短，预测越敏感，利于反映数据的动摇情况，但反映长期趋势效果较差；跨越期越长，灵敏度低，但利于防止偶尔要素对预测结果的影响一、一次挪动平均法 概念：是对时间数列按一定的察看期延续计算平均值，取最后一个平均值作为预测值的方法。1、简单挪动：直接以简单平均值数列中的最后一个数值作为预测值。2、加权挪动：在挪动跨越期内，对间隔预测期较远的数据给予较小的权数，反之那么给较大的权重，计算出加权挪动平均值数列，并以最后一个加权平均值作为预测值。二、二次挪动平均法 概念：是以一次挪动平均值作为时间数列，再

4、计算一次挪动平均值数列，在此根底上分析这两次平均值的滞后偏向，并利用其变化规律建立线性方程来进展预测的方法。 该方法不直接用于预测，而是利用它来求取线性预测模型的模型参数； 模型参数是以两次挪动平均值为根据推导出来的。第二节、指数平滑法 概念：是一种特殊的加权挪动平均法，是以本期的实践发生数和上期的预测值为基数，分别给予不同的权数，计算出指数平滑值，并以此确定预测结果的方法。 按照时间数列资料被平滑的次数，分为:一次指数平滑、二次指数平滑和二次以上指数平滑。一、一次指数平滑法 概念：是指以预测对象的上期实践发生额和上期预测值作为资料，用平滑系数来确定二者的权数，计算其加权平均数即平滑值，并根据

5、平滑值确定本期预测值的一种预测方法。二、二次指数平滑法 概念：是对一次指数平滑值序列再进展一次指数平滑值的计算，求得二次指数平滑值序列，经过对两次指数平滑值序列的比较分析，建立起线性方程来进展市场预测的方法。 它抑制了一次指数平滑法只能预测未来一期的缺陷，可以用于趋势型时间数列的预测，但必需是在一次指数平滑值的根底上来计算。第三节、季节指数法 季节变动：是指某些市场景象由于受自然气候、消费条件、生活习惯等要素的影响，在一定时间中随季节的变化而呈现出周期性的变化规律。 季节变动的主要特点：每年都反复出现，各年同月都具有一样的变动方向，变动幅度普通相差不大。 普通取三年或者三年以上的市场景象季节指

6、数法 概念：就是根据预测目的各年按月编制的时间数列资料，以统计方法测定出反映季节变动规律的季节指数，并利用季节指数进展预测的预测方法。 测定季节指数的方法： 1、是不思索长期趋势的影响，直接根据原时间数列计算季节指数； 2、思索长期趋势的存在，先将长期趋势消除，然后计算季节指数。一、无趋势变动的季节指数预测法；二、含趋势变动的季节指数预测法；见课本83页例题第四节、趋势外推法 概念：是指根据时间数列呈现出的规律性趋势向外推导，从而确定预测对象未来值的预测方法。 准确度建立在外推模型能正确反映预测对象的本质运动的根底上，并且向外推导的时间不宜过长。 种类：直接作图法、直线趋势法、曲线趋势外推法。一、直线趋势外推法 概念：是指对有线性变动趋势的时间数列，拟合成直线方程进展外推预测的方法。 直线方程的方式： Y=a+bt , 其中，a、b是模型参数，t为自变量，一、直线趋势外推法1、增减量预测法：是以上期实践值与上两期之间的增减量之和，作为本期预测值的一种预测方法；2、平均增减量预测法：是先计算出整个时间数列逐期增减量的平均数，再与上期实践数相加，从而确定预测者的方法。 注：由于是经过直线来预测，因此要先估计模型参数a、b