时间序列分析方法及ARMA,GARCH两种常用模型

证券市场具有数据单一性（大量不需要经过特殊处理的数据）、分析手段多样性和隐蔽性的特点,且与其飞速发展不相称的是证券分析技术进展的缓慢。股市系统中时间序列的预测问题具有重要的理论及实际意义,时间序列的获取是通过对数据库中数据进行分类汇总分析而获得。获取时间序列数据以后可以对它进行预测分析,从而较准确地预见系统的演进。文中介绍了时间序列的基本知识,同时比较了ARMA和GARCH两种常用模型,得出对于中国股市,GARCH模型性能优于ARCH模型。     

基于ARMA模型的联机时间序列数据分割算法

自回归移动平均(ARMA)模型近年来被广泛用于时间序列数据的预测、聚类以及相似性查找等.由于现实中的时间序列数据其底层生成机制与结构经常动态发生变化,因而对跨越较长时期的数据建立一个单一静态的ARMA模型并不合适.本文提出一种联机分割算法,首先对数据建立动态的ARMA模型,然后根据模型的预测信息与历史数据的特征信息,判断是否适合继续使用该模型描述后续数据,或者需要对数据进行分割,从而逐段建立ARMA模型.算法能够处理持续数据流,对仿真数据与实际数据的试验结果表明,本文所提出的算法是实用有效的.     

GARCH非线性时间序列模型的网络流量预测

网络流量预测在拥塞控制、网络管理与诊断、路由器设计等领域都具有重要意义。根据当今网络流量的特点,传统的ARMA模型在描述网络流量数据特性时有一定的局限性,从而影响网络流量预测的精度。针对这个问题,研究了使用广义自回归条件异方差模型(GARCH)对网络流量数据进行建模的方法,通过仿真实验表明,该模型可以较好地描述网络流量数据的异方差性,同时其预测精度较之传统的ARMA模型的预测精度也得到了大幅提升。     

一类非线性周期时间序列模型

为了描述周期时间序列中的偏倚和多峰等非线性特征,结合有限混合模型方法,提出混合周期自回归滑动平均时间序列模型（MPARMA）,给出了MPARMA模型的平稳性条件,讨论了期望最大化（EM）算法的应用,通过PM10浓度序列分析,评估了MPARMA模型的表现。     

非线性时间序列预报的隐多分辨ARMA模型

研究一类用于非线性时间序列预报的隐多分辨自回归滑动平均(ARMA)模型,该模型以ARMA模型为初始细水平模型(即隐多分辨模型的基本块)．证明了模型的建模精度由水平问的方差决定．研究了新模型的自相关函数结构,给出了参数估计的Bayes方法和Metropolis-Hasting算法．进一步提出了一种可以直接用于不同基本块的隐多分辨模型的非线性时间序列预报方法,证明了其比其他的线性预报方法和隐多分辨模型预报方法降低了预报误差．最后通过数值模拟和实例验证了模型和预报方法,并和其他模型进行比较,结果表明新提出模型和预报方法能够更好地描述数据的特征,提高预报的精度．     

非线性时间序列建模的混合自回归滑动平均模型

提出了一类用于非线性时间序列建模的混合自回归滑动平均模型(MARMA).该模型是由K个平稳或非平稳的ARMA分量经过混合得到的.讨论了MARMA模型的平稳性条件和自相关函数.给出了MARMA模型参数估计的期望极大化(expectation maximization)算法.运用贝叶斯信息准则(Bayes information criterion)来选择该模型.MARMA模型分布形式富于变化的特征使得它能够对具有多峰分布以及条件异方差的序列进行建模.通过两个实例验证了该模型,并和其他模型进行比较,结果表明MARMA模型能够更好地描述这些数据的特征.     

小波与时间序列在数字信号质量监测中的应用

描述了小波和时间序列分析在数字信号质量监测中的应用。与传统监测信号方法不同,这种方法从被测信号的组成成分入手,通过小波变换对原始信号依尺度分解成不同层次,并从其中提取特征信号,同时对其建立自回归滑动平均(ARMA)模型,通过分析ARMA模型的参数得出信号的质量状况。另外还描述了如何根据被分析信号的特征、小波重构信号的能力及计算速度选择合理的小波基的方法。     

基于时间序列自回归模型的绿色建筑供暖能耗短期预测

为实时了解绿色建筑供暖能耗的变化趋势,提升能耗预测效果,设计基于时间序列自回归模型的绿色建筑供暖能耗短期预测方法。利用增强迪基-福勒检验法,检验绿色建筑历史供暖能耗时间序列平稳性;对非平稳的历史能耗时间序列进行差分平稳化处理,获取平稳的历史能耗时间序列;在时间序列自回归模型内添加移动平均模型,并考虑能耗的气温影响因素,建立时间序列自回归移动平均模型;利用赤池信息准则确定模型阶数,通过粒子群算法确定模型参数;在模型阶数与参数确定后的模型内,输入平稳的历史能耗时间序列,输出供暖能耗短期预测值。实验证明：该方法可精准预测不同类型绿色建筑的短期供暖能耗;在不同绿色建筑渗透量时,该方法短期供暖能耗预测误差较小;在不同室外温度时,该方法短期供暖能耗预测的可决系数较高,即预测精度较高。     

ARMA时间序列模型在销售预测中的应用

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,它被广泛应用到经济领域预测中。本文给出ARMA模型的三种模式和实现方法,然后结合超市销售数据揭示超市销售的规律性,并运用ARMA模型对超市销售量进行预测。     

基于小波的非平稳时间序列预测方法研究

基于小波分析技术,将原始非平稳时间序列分解为一层近似系数和多层细节系数,对其分别采用自回归滑动平均模型以及BP神经网络模型,对各层系数进行建模与预测;通过整合各层系数,得到原始时间序列的预测值。运用这种方法对因特网某节点网络流量数据和某地区日最高气温数据进行预测的结果表明,建立在小波分解基础上的这两种方法都能够有效地应用于非平稳时间序列的预测;而小波-BP神经网络的预测方法无论是精度还是计算复杂度方面都要明显优于小波-ARMA方法。     

组合ARMA与SVR模型的时间序列预测

经典的ARMA模型常用于平稳时间序列的预测,而对于自然界绝大部分的非平稳序列一般采用确定性时序分析和随机时序分析.确定性时序分析对随机性信息浪费严重,而随机时序分析经过差分平稳序列后又回归到ARMA模型.本文利用在充分ARMA模型拟合后的残差序列进行支持向量回归(SVR)拟合,进而对原序列进行组合预测,比起单一模型的拟合及预测,该组合有效地提高了预测精度.     

MATLAB在金融时间序列分析及建模中的应用

MATLAB是优秀的数学计算工具,本文阐述并举例说明如何利用MATLAB来对金融时间序列进行分析及建模。     

ARMA序列的版参数预报*

在关于ARMA序列新息定理的基础上,本文给出了ARMA序列的一种半参数预报方法,该方法避开对ARMA模型中MA参数作估计这一计算复杂的工作,在只须知道AR参数的情况下直接得到序列的预报值,从而使计算量大为简化同时又保证有一定的精度,本文还介绍了半参数预报方法在城市自来水负荷预报中的成功应用。     

基于ARMA模型的电视台收视率预测方法设计和实现

收视率是电视行业中最重要的指标之一,目前行业内预测收视率的方法均没有考虑收视率自身的长期发展趋势,忽略了预测过程中重要的记录信息,导致预测结果精度不够,充分考虑收视率数据自身长期稳定性的特点,使用ARMA模型来进行预测,使预测精度达到用户期望。ARMA模型是一类常用的随机时序模型,它是一种精度较高的时序预测方法,预测过程中充分考虑序列内在的发展趋势,对于具有长期稳定性的时间序列的预测非常有效,并已经在各个行业得到了应用,预测精度较高。收视率属于长期稳定,起伏波动不大的时间序列,引入ARMA模型进行预测必将改善传统预测方法得到结果的精度,仿真结果表明使用ARMA模型可以提高收视率预测精度。     

Time series clustering with ARMA mixtures

Clustering problems are central to many knowledge discovery and data mining tasks. However, most existing clustering methods can only work with fixed-dimensional representations of data patterns. In this paper, we study the clustering of data patterns that are represented as sequences or time series possibly of different lengths. We propose a model-based approach to this problem using mixtures of autoregressive moving average (ARMA) models. We derive an expectation-maximization (EM) algorithm for learning the mixing coefficients as well as the parameters of the component models. To address the model selection problem, we use the Bayesian information criterion (BIC) to determine the number of clusters in the data. Experiments are conducted on a number of simulated and real datasets. Results from the experiments show that our method compares favorably with other methods proposed previously by others for similar time series clustering tasks.     

基于真延时的时控阵雷达波束形成方法

提出一种基于真延时的时控阵雷达方案,并给出时控阵雷达波束形成方法。该方法对信号带宽内所有频率分量实现波程差精确补偿,实现阵元回波的精确延时,解决了宽带相控阵雷达孔径渡越和频率色散的问题。文中以宽带线性调频信号为例进行了仿真。仿真结果表明,基于真延时的宽带时控阵不存在宽带相控阵的孔径渡越和频率色散的问题,提高了宽带阵列的天线增益、方位分辨率和距离分辨率。基于真延时的时控阵雷达波束形成技术对调制信号波形没有要求,可用于各种宽带和超宽带雷达。     

基于聚类和ARMA时间序列的I/O区域预取

预取是提高存储系统性能的主要手段之一.但现有存储系统的设备层并不知道任何I/O访问的语义信息,因而不能充分利用I/O访问的语义来预取下一时刻要访问的数据,只能利用较简单的方式如I/O访问的局部性、顺序访问和循环访问等特性来实现简单的预测.为此,本文根据存储系统的特点提出了实用且高效的基于连续度的聚类算法来发现密集读请求访问的区域,并采用ARMA时间序列模型来预测密集读请求可能访问的区域及访问时刻,为正确的预取提供了准确的信息.为提高预取的准确性,并采用了动态参数估计的策略.通过大量实验的结果验证了这两种算法的正确性和预测的准确性,能较大的提高存储系统的预取效率.     

多通道非平稳ARMA信号自校正去卷滤波器

对于通过一个已知的线性系统被观测的多通道非平稳ＡＲＭＡ信号，本文用现代时间序列分析方法［１］，基于ＡＲＭＡ新息模型，提出了自校正去滤波新方法。仿真例子说明了其有效性。