时间序列预测方法
时间序列与时序分析
移动平均法， 指数平滑法， 时间序列的分解法，季节指数法
因果 数学统计
回归模型，计量经济学模型，优势指标法，相关模型，投入产出模型
时间序列特征：
含有长期趋势因素，含有季节变动因素，循环变动因素，不规则变动因素。
时序分析：时间序列的各数据之间存在必然的联系。时序分析就是要揭示这种联系的规律，达到预测现象未来趋势的目的。
简而言之,时序分析是只利用时间序列的历史数据来预测此变量
主要依据：连贯性原理。
实质：特征的识别。在此基础上建立数学模型，形成一系列时间序列预测方法。
时间序列分析是一种简化。
局限性：转折点与预测，
克服：定性与定量相结合
移动平均法：
将观察期的数据，按时间先后顺序排列，然后由远及近，以一定的跨越期进行移动平均，求得平均值，并以此为基础，确定预测值的方法。
一次移动平均法
1）一次移动平均法一般只适应于平稳模式，当被预测的变量的基本模式发生变化时，一次移动平均法的适应性比较差。
2）一次移动平均法一般只适用于下一时期的预测，即第t+1期的值。
3）一次移动平均法预测时只考虑最近N期的数据，而且各个数据的权重相等，把现实简单化了。加权移动平均法虽然弥补了这一不足，但是预测仍然存在滞后性。
二次平均移动法
优点，修正了
同理，二次移动平均值低于一次移动平均值，且二次移动平均值低于一次移动平均值的距离，等于一次移动平均值低于实际值的距离。
指数平滑法
权重：算术平均：所有数据权重均为1/n.
一次移动平均：最近N期数据权重均为1/N，其他为0；
指数平滑值：与所有数据有关，权重衰减，厚今薄古。
a越大，序列衰减的越快，即远期数据影响越小
a 的大小对指数平滑序列的影响
a越大，序列衰减的越快，即远期数据影响越小
a的平滑作用： 越大， 平滑作用越小
输入时间序列数据--选取平滑预测模型- 确定初始值-确定权系数--预测计算-预测分析-输出预测结果
时间序列分解法--》
移动平均法和指数平滑法只是把时间序列中隐含着的基本的、潜在的模式和随机波动区分开来。经过平均、平滑计算后，随机波动显著减小。但它们都没有企图去识别潜在模式的更细小部分。
四种因素的组合模式-- 乘法模式 ---加法模式
由于随机影响总是围绕某一中间值上下波动，所以经过算数平均后，也可以认为，随机性的影响也被消除了，而长期趋势和周期波动则仍存在于移动平均值序列的{Mt}中
将观察值除以移动平均数得到的比值只包含季节性和随机性。
季节指数法
1 统计数据呈现以月、季度为周期的循环变动。
2 这种周期的循环变动，不是简单的循环重复，而是从多个周期的长时间变化中呈现出一种发展趋势。
趋势外推法概述
某一些客观事物（如：经济现象）的发展相对于时间推移，常常有一定的规律。这时，若预测对象变化无明显的季节波动，又能找到一条合适的函数曲线反映其变化趋势，即可建立其趋势模型：
当有理由相信这种趋势可能会延伸到未来时，对于未来的某个 t 值就可得到相应时序未来值，这就是趋势外推法。
直线趋势外推法
适用于时间序列观察值数据呈直线上升或下降的情形。
拟合直线方程法
最小二乘法
特点：
只适用于时间序列呈直线上升（或下降）趋势变化。
对时间序列数据，不论其远近都一律同等看待。
用最小二乘原理拟合的直线方程消除了不规则因素的影响，使趋势值都落在拟合的直线上。
加权拟合直线方程法