商品期貨時間序列模型

⑴ 求時間序列模型能分析周期性嗎

可以的，時間序列就是用於做這事

⑵ 時間序列模型的步驟

辨識合適的隨機模型,進行曲線擬合,即用通用隨機模型去擬合時間序列的觀測數據。對於短的或簡單的時間序列，可用趨勢模型和季節模型加上誤差來進行擬合。對於平穩時間序列，可用通用ARIMA模型（自回歸滑動平均模型）及其特殊情況的自回歸模型、滑動平均模型或組合-ARIMA模型等來進行擬合。當觀測值多於50個時一般都採用ARIMA模型。對於非平穩時間序列則要先將觀測到的時間序列進行差分運算，化為平穩時間序列，再用適當模型去擬合這個差分序列。
時間序列是一種特殊的隨機過程，當中的取非負整數時，就可以代表各個時刻，就可以看作是時間序列（time series),因此，當一個隨機過程可以看作時間序列時，我們就可以利用現有的時間序列模型建模分析該隨機過程的特性。

⑶ 期貨的時間序列問題，求助

期貨的時間一般四個月一個周期，1、5、9個別有10,12月這樣的主力合約，可以通過倉位轉移來確定，文華財經上也有主力合約的窗口

⑷ 以下哪個是常見的時間序列演算法模型

http://blog.csdn.net/ztf312/article/details/50890267

⑸ 三種時間序列模型

（1）如果除a₀=1外所有其它的AR系數都等於零，則式（1-124）成為

地球物理信息處理基礎

這種模型稱為q階滑動平均模型或簡稱為MA（q）模型（Moving Average Model），其系統函數（傳輸函數）為

地球物理信息處理基礎

模型輸出功率譜為

地球物理信息處理基礎

或

地球物理信息處理基礎

這是一個全零點模型，因為它只有零點，沒有極點（除了原點以外）。如果模型的全部零點都在單位圓內，則是一個最小相位系統，且模型是可逆的。

（2）如果除b₀=1外所有其它的MA系數都等於零，則式（1-124）成為

地球物理信息處理基礎

這種模型稱為p階自回歸模型或簡稱為AR（p）模型（Autoregressive Model），其傳輸函數為

地球物理信息處理基礎

模型輸出功率譜為

地球物理信息處理基礎

或

地球物理信息處理基礎

顯然，該模型只有極點，沒有零點（除了原點以外），因此這是一個全極點模型，而且只有當極點都在單位圓內時，模型才穩定。

（3）設a₀=1和b₀=1，其餘所有的a_k和b_k不全為零。在這種情況下，模型的差分方程、系統函數和輸出功率譜分別用式（1-124）、式（1-123）和式（1-125）或式（1-126）表示。分子部分稱為MA部分，而分母部分稱為AR部分，這兩部分分別滿足穩定性和可逆性的條件。這是一個「極點—零點」模型，稱為自回歸滑動平均模型ARMA（p，q）模型（Autore-gressive Moving Average Model）。

在上面已談到，實際中所遇到的功率譜可分為三種：一種是「平譜」，即白雜訊譜，第二種是「線譜」，即由一個或多個正弦信號所組成的信號的功率譜，第三種介於二者之間，即既有峰點又有谷點的譜，這種譜稱為ARMA譜。可以看出，AR模型能突出反映譜的峰值，而MA模型能突出反映譜的谷值。

沃爾德（Wold）分解定理闡明了上述三類模型之間的聯系，即：任何廣義平穩隨機過程都可分解成一個可預測（確定）的部分和一個不可預測（完全隨機）的部分。確定性隨機過程是一個可以根據其過去的無限個取樣值完全加以預測的隨機過程。例如，一個由純正弦信號（具有隨機相位以保證廣義平穩）和白雜訊組成的隨機過程，可以分解成一個純隨機成分（白雜訊）和一個確定性成分（正弦信號）。或者可以把這種分解看成為把功率譜分解成一個表示白雜訊的連續成分和一個表示正弦信號的離散成分（具有沖激信號的形式）。

Wold分解定理的一個推論是：如果功率譜完全是連續的，那麼任何ARMA過程（Au-toregressive Moving Average Process）或AR過程（Autoregressive Process）可以用一個無限階的MA過程（Moving Average Process）表示。Колмогоров（Kolmogorov）提出的一個具有類似結論的定理：任何ARMA或MA過程可以用一個無限階的AR過程表示。這些定理很重要，因為如果選擇了一個不合適的模型，但只要模型的階數足夠高，它仍然能夠比較好地逼近被建模的隨機過程。

估計ARMA或MA模型參數一般需要解一組非線性方程，而估計AR模型參數通常只需解一組線性方程，因此，AR模型得到了深入的研究和廣泛應用。如果被估計過程是p階自回歸過程，那麼用AR（p）模型即能很精確地模擬它；如果被估計過程是ARMA或MA過程，或者是高於p階的AR過程，那麼用AR（p）模型作為它們的模型時，雖然不可能很精確，但卻可以盡可能地逼近它，關鍵是要選擇足夠高的階數。證明如下：

假設MA模型為

地球物理信息處理基礎

對上式進行Z變換得到

X（z）=B（z）W（z）

式中B（z）是MA信號模型的系統函數，或者說是b_i（i=1，2，3，…）序列的Z變換。

設MA信號模型滿足可逆性條件，即B^-1（z）的存在，令

B^-1（z）=G（z）=1+g₁z^-1+g₂z^-2+g₃z^-3+…

這樣

X（z）G（z）=（1+g₁z^-1+g₂z^-2+g₃z^-3+…）X（z）=W（z）

則

地球物理信息處理基礎

對上式進行Z反變換，得到

x（n）+g₁x（n-1）+g₂x（n-2）+g₃x（n-3）+…=w（n）

上式就是x（n）的AR信號模型，因此證明了一個時間序列可以用有限階MA信號模型表示時，也可以用無限階的AR模型表示，對於ARMA模型也同樣可以證明。

［例1-2］已知x（n）的功率譜為

地球物理信息處理基礎

求出該模型的系統函數H（z）。

解：利用歐拉公式可以將P_xx（e^jω）變為

地球物理信息處理基礎

取z=e^jω，則上式變為

地球物理信息處理基礎

令

，那麼，

，顯然有理多項式B（z）的分子、分母都是最小相位的。所以有

地球物理信息處理基礎

與式（1-120）相比較，得

。又由式（1-125）得到所求的系統函數

地球物理信息處理基礎

⑹ 時間序列分析與綜合有哪幾種模型

時間序列分析與綜合一般有三種模型，分別為自回歸AR模型，滑動平均模型MA和自回歸滑動平均混合ARMA模型。

⑺ 時間序列模型的簡介

時間序列分析是根據系統觀測得到的時間序列數據，通過曲線擬合和參數估計來建立數學模型的理論和方法。它一般採用曲線擬合和參數估計方法（如非線性最小二乘法）進行。時間序列分析常用在國民經濟宏觀控制、區域綜合發展規劃、企業經營管理、市場潛量預測、氣象預報、水文預報、地震前兆預報、農作物病蟲災害預報、環境污染控制、生態平衡、天文學和海洋學等方面。

⑻ 時間序列的各個模型有什麼區別和應用

時間序列模型是指採用某種演算法（可以是神經網路、ARMA等）模擬歷史數據，找出其中的變化規律，
神經網路模型是一種演算法，可以用於分類、聚類、預測等等不用領域；

兩者一個是問題模型，一個是演算法模型

⑼ 時間序列模型有什麼實際用處

金融，天氣預報，銷售情況等等。就是根據以往的數據（以時間順序排列的一系列數據）預測未來的值

⑽ 想做時間序列的模型，求指導

傳統的時間序列模型包括AR和MA，以及ARMA模型，還有ARIMA等

深度學習來臨之後，時間序列模型可以使用RNN來實現，目前已經有很廣發的應用，尤其在自然語言理解方面
模型的建立可以用python的statsmodels包來做，已經做的很完善了，你可以了解一下