期貨的時間序列怎麼算

① 幾種典型的時間序列及序列的運算

一個連續時間信號，只要滿足采樣定理，就可以用離散采樣完全代表這個連續時間信號。采樣可以通過人工來完成，例如一條幾何曲線;也可以本身就是離散信號，例如一組實驗數據;還可以通過前面提到過的采樣器來完成。一般采樣是等時間間隔的，因此采樣以後，時間間隔Δt就沒有什麼重要意義了。采樣數據可以存放在計算機的存儲器中，隨時取用處理，只有在需要將數字信號還原為連續信號時，在數-模轉換器中，才有必要重新將它們排列在等時間的間隔上。因此，對於處理離散時間信號來說，采樣間隔Δt並沒有什麼重要意義，可以用時間序列x(n)表示。其中n=t/Δt稱為時間信號。用圖4-4-1表示。

在數學上，則將時間序列表示成

物探數字信號分析與處理技術

x(n)中的n=0，±1，±2，…是整數，表示所在時間序號的采樣值。當n<0時，x(n)=0，表示一個因果時間序列。

兩個時間序列的和是兩個時間序列在同一采樣序號的采樣值之和組成的序列(圖4-4-1，圖4-4-2)，例如

圖4-4-1 序列表示法(1)

圖4-4-2 序列表示法(2)

物探數字信號分析與處理技術

兩個時間序列的積，則是兩個時間序列在同一采樣序號的采樣值之積組成的序列，例如

物探數字信號分析與處理技術

一個時間序列的延時，則是這個時間序列的序號向後順延的結果組成的序列，例如

物探數字信號分析與處理技術

表示時間序列w(n)=x(n-m)是原時間序列x(n)的序號向後移m位所組成的新序列。如圖4-4-3(b)所示。

圖4-4-3 序列移位

反之，一個時間序列的超前，則是這個時間序號向前順延的結果所組成的序列，見圖4-4-3(c)。

v(n)=x(n+m)={x(0)，x(1)，x(2)，…x(m-1)，x(m)，x(m+1)，…}

1.幾種常用的典型時間序列

(1)單位脈沖序列

物探數字信號分析與處理技術

見圖4-4-4需要說明的是，它與連續信號δ(t)的定義不同:在連續信號中，δ(t)是一種廣義函數，它是面積為1的方波當其寬度為零時的一種極限，這時其幅值在t等於零時為無窮;在t≠0時為零，但極限的面積等於1。在采樣信號中，因為是理想采樣，實際采樣總是有一定寬度τ的，所以在理想采樣中的脈沖面積實際上是1，所以有式(4-4-1)。它表示一個采樣脈沖的面積，是一個有限值。

圖4-4-4 δ(n)序列

圖4-4-5 u(n)序列

(2)單位階躍序列

物探數字信號分析與處理技術

見圖4-4-5。顯然，u(n)是一系列δ(n)之和，即

物探數字信號分析與處理技術

反之，δ(n)也可以用u(n)表示出來:

物探數字信號分析與處理技術

(3)矩形序列

物探數字信號分析與處理技術

見圖4-4-6，顯然，矩形序列

物探數字信號分析與處理技術

(4)指數序列

物探數字信號分析與處理技術

見圖4-4-7，式(4-4-7)亦可寫成

物探數字信號分析與處理技術

圖4-4-6 R(n)序列

圖4-4-7 aⁿu(n)序列

當|a≥1|時是發散的，|a|<1時是收斂的，當a為負值時是擺動的，如圖4-4-7所示。

(5)正弦序列

物探數字信號分析與處理技術

見圖4-4-8。其中ω₀為數字頻率。因為正弦序列可以認為是正弦信號的采樣，即對連

續正弦信號sinΩ₀t的采樣，采樣後的信號記為sinΩ₀nΔt，於是有

物探數字信號分析與處理技術

其中Δt是采樣間隔，它是采樣頻率f_n的倒數，即

物探數字信號分析與處理技術

比較等式兩端得

物探數字信號分析與處理技術

它是模擬頻率用采樣頻率歸一化的結果，稱為數字頻率。與正弦序列相對應，也可以有餘弦序列

物探數字信號分析與處理技術

在連續信號中，正弦或餘弦函數總是周期函數，其周期為

物探數字信號分析與處理技術

圖4-4-8 sinnω₀序列

但在離散時間序列中，正弦或餘弦序列並不一定是周期序列:當序列的頻率ω₀為π的倍數時，這個序列是周期的;當序列的頻率ω₀不為π的倍數時，則不是周期的。例如，當正弦序列的頻率ω₀等於π/4時，根據周期函數的性質，應有

物探數字信號分析與處理技術

於是可以得出，這個正弦序列的周期為N=8。如果正弦序列頻率ω₀不是π的倍數，例如ω₀等於0.5，則有

物探數字信號分析與處理技術

這時N應等於4π，是一個無理數，而一個有理整數不可能等於一個無理數，所以它是非周期序列。

(6)復指數序列

一系列復數組成的序列，稱為復序列。復序列的每一個序列值都是一個復數，因而具有實部與虛部兩部分。記為

物探數字信號分析與處理技術

復序列也可用極坐標表示法，即

物探數字信號分析與處理技術

最常用的一種復指數序列是

物探數字信號分析與處理技術

它是用極坐標表示復數序列時模值等於1，幅角arg［x(n)］=ω₀n的特例。該序列的實部和虛部分別為

物探數字信號分析與處理技術

最後應當指出，任何一個時間序列都可以用單位脈沖序列來表示。因為任一時間序列可表示成

物探數字信號分析與處理技術

也就是說，任一時間序列都可以看成是單位脈沖序列的線性組合，這種表達方法對分析線性移不變系統是很有用的。

② 寫大豆期貨價格的時間序列分析，想從期貨與現貨這個角度入手，但是不知道怎麼提取數據，

首先你要去收集數據啊，看看vip文獻吧
我經常幫別人做類似的數據分析的

③ 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

④ 時間序列怎麼以基期進行折算

這里找找，可能有你要的。
http://www.mof.gov.cn/guojianongcunzonghekaifa/

⑤ 如何計算時間序列移動平均標准差

增加你delay的個數和神經元的個數試一下。

⑥ 股票時間序列相關系數怎麼算

月收益率要你自己去算。

⑦ 什麼叫做時間序列

時間序列法是一種定量預測方法，亦稱簡單外延方法。

在統計學中作為一種常用的預測手段被廣泛應用。時間序列通常有以下三種方法：
1.方法一是把一個時間序列的數值變動，分解為幾個組成部分，通常分為：
(1)傾向變動，亦稱長期趨勢變動T；
(2)循環變動，亦稱周期變動C；
(3)季節變動，即每年有規則地反復進行變動S；
(4)不規則變動，亦稱隨機變動I等。然後再把這四個組成部分綜合在一起，得出預測結果。
2.方法二是把預測對象、預測目標和對預測的影響因素都看成為具有時序的，為時間的函數，而時間序列法就是研究預測對象自身變化過程及發展趨勢。
3.方法三是根據預測對象與影響因素之間的因果關系及其影響程度來推算未來。與目標的相關因素很多，只能選擇那些因果關系較強的為預測影響的因素。
時間序列分析在第二次世界大戰前應用於經濟預測。二次大戰中和戰後，在軍事科學、空間科學、氣象預報和工業自動化等部門的應用更加廣泛。

⑧ 時間序列分析的具體演算法

用隨機過程理論和數理統計學方法，研究隨機數據序列所遵從的統計規律，以用於解決實際問題。由於在多數問題中，隨機數據是依時間先後排成序列的，故稱為時間序列。它包括一般統計分析（如自相關分析、譜分析等），統計模型的建立與推斷，以及關於隨機序列的最優預測、控制和濾波等內容。經典的統計分析都假定數據序列具有獨立性，而時間序列分析則著重研究數據序列的相互依賴關系。後者實際上是對離散指標的隨機過程的統計分析，所以又可看作是隨機過程統計的一個組成部分。例如,用x(t)表示某地區第t個月的降雨量，{x(t)，t=1，2，…}是一時間序列。對t=1，2，…，T，記錄到逐月的降雨量數據x(1)，x(2)，…，x(T)，稱為長度為T的樣本序列。依此即可使用時間序列分析方法，對未來各月的雨量x(T+l)(l=1,2,…)進行預報。時間序列分析在第二次世界大戰前就已應用於經濟預測。二次大戰中和戰後，在軍事科學、空間科學和工業自動化等部門的應用更加廣泛。
就數學方法而言，平穩隨機序列（見平穩過程）的統計分析，在理論上的發展比較成熟，從而構成時間序列分析的基礎。
頻域分析 一個時間序列可看成各種周期擾動的疊加，頻域分析就是確定各周期的振動能量的分配，這種分配稱為「譜」，或「功率譜」。因此頻域分析又稱譜分析。譜分析中的一個重要是統計量,稱為序列的周期圖。當序列含有確定性的周期分量時，通過I(ω)的極大值點尋找這些分量的周期，是譜分析的重要內容之一。在按月記錄的降雨量序列中，序列x(t)就可視為含有以12為周期的確定分量，所以序列x(t)可以表示為 ,它的周期圖I(ω)處有明顯的極大值。
當平穩序列的譜分布函數F（λ）具有譜密度ƒ(λ)（即功率譜）時，可用(2π)-1I(λ)去估計ƒ(λ)，它是ƒ(λ)的漸近無偏估計。如欲求ƒ(λ)的相合估計（見點估計），可用I(ω)的適當的平滑值去估計ƒ(λ),常用的方法為譜窗估計即取ƒ(λ)的估計弮(λ)為 ,式中wt(ω)稱為譜窗函數。譜窗估計是實際應用中的重要方法之一。譜分布F(λ)本身的一種相合估計可由I(ω)的積分直接獲得，即 。研究以上各種估計量的統計性質，改進估計方法，是譜分析的重要內容。時域分析 它的目的在於確定序列在不同時刻取值的相互依賴關系,或者說,確定序列的相關結構。這種結構是用序列的自相關函0,1,…)來描述的,為序列的自協方差函數值,m=Ex(t)是平穩序列的均值。常常採用下列諸式給出m，γ(k),ρ(k)的估計： ,通(k)了解序列的相關結構,稱為自相關分析。研究它們的強、弱相合性及其漸近分布等問題，是相關分析中的基本問題。模型分析 20世紀70年代以來，應用最廣泛的時間序列模型是平穩自回歸-滑動平均模型 (簡稱ARMA模型)。其形狀為： 式中ε(t)是均值為零、方差為σ2的獨立同分布的隨機序列;和σ2為模型的參數,它們滿足： 對一切|z|≤1的復數z成立。p和q是模型的階數，為非負整數。特別當q=0時，上述模型稱為自回歸模型；當p=0時, 稱為滑動平均模型。根據x(t)的樣本值估計這些參數和階數，就是對這種模型的統計分析的內容。對於滿足ARMA模型的平穩序列，其線性最優預測與控制等問題都有較簡捷的解決方法,尤其是自回歸模型,使用更為方便。G.U.尤爾在1925～1930年間就提出了平穩自回歸的概念。1943年,Η.Β.曼和Α.瓦爾德發表了關於這種模型的統計方法及其漸近性質的一些理論結果。一般ARMA模型的統計分析研究，則是20世紀60年代後才發展起來的。特別是關於p，q值的估計及其漸近理論，出現得更晚些。除ARMA模型之外,還有其他的模型分析的研究,其中以線性模型的研究較為成熟，而且都與ARMA模型分析有密切關系。回歸分析 如果時間序列x(t)可表示為確定性分量φ(t)與隨機性分量ω(t)之和，根據樣本值x(1)，x(2)，…,x(T)來估計φ(t)及分析ω(t)的統計規律，屬於時間序列分析中的回歸分析問題。它與經典回歸分析不同的地方是，ω(t)一般不是獨立同分布的，因而在此必須涉及較多的隨機過程知識。當φ(t)為有限個已知函數的未知線性組合時，即 ，式中ω(t)是均值為零的平穩序列,α1,α2,…,αs是未知參數,φ1(t),φ2(t),…,φs(t)是已知的函數,上式稱為線性回歸模型，它的統計分析已被研究得比較深入。前面敘述的降雨量一例，便可用此類模型描述。回歸分析的內容包括:當ω(t)的統計規律已知時，對參數α1,α2,…,αs進行估計,預測x(T+l)之值；當ω(t)的統計規律未知時，既要估計上述參數，又要對ω(t)進行統計分析，如譜分析、模型分析等。在這些內容中,一個重要的課題是:在相當廣泛的情況下，證明 α1,α2,…,αs的最小二乘估計，與其線性最小方差無偏估計一樣，具有相合性和漸近正態分布性質。最小二乘估計姙j(1≤j≤s)不涉及ω(t)的統計相關結構，是由數據x(1)，x(2)，…，x(T)直接算出，由此還可得(t)進行時間序列分析中的各種統計分析，以代替對ω(t)的分析。在理論上也已證明，在適當的條件下，這樣的替代具有滿意的漸近性質。由於ω(t)的真值不能直接量測，這些理論結果顯然有重要的實際意義。這方面的研究仍在不斷發展。
時間序列分析中的最優預測、控制與濾波等方面的內容見平穩過程條。近年來多維時間序列分析的研究有所進展，並應用到工業生產自動化及經濟分析中。此外非線性模型統計分析及非參數統計分析等方面也逐漸引起人們的注意。

⑨ 如何確定股指期貨時間序列對股票指數時間序列影響的滯後性

應該要糾正你的觀念，股指期貨和期權，對應股票指數有的不是滯後性而是前瞻性。你要想股指期貨是哪些資金在運作的就應該明白。好吧我直接說吧，在運作股指期貨的基本都是大資金以及技術高手。多以基金和游資大鱷為主。他們的消息嗅覺是最靈敏的，往往股票市場一片平靜，他們已經聞到了不一樣的味道，然後在高杠桿的股指期貨市場做出提前反應，從而獲取暴利。目前國內的股指期貨被限制開倉，參考意義已經沒有之前的大了，你要看股指期貨對A股指數的波動時間關系，建議你去看新加坡的A50期指，買賣的標的就是上證A股指數。國外和國內的大資金都在那裡操作。

⑩ 期貨時間序列數據獲取

第一列不就是合約代碼么，根據這個區分。