时间序列预测期货价格

㈠ 时间序列预测需要多少历史数据

时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一，它的基本原理:一是承认事物发展的延续性。应用过去数据，就能推测事物的发展趋势。二是考虑到事物发展的随机性。任何事物发展都可能受偶然因素影响，为此要利用统计分析中加权平均法对历史数据进行处理。该方法方法简单易行，便于掌握，但准确性差，一般只适用于短期预测。

㈡ 写大豆期货价格的时间序列分析，想从期货与现货这个角度入手，但是不知道怎么提取数据，

首先你要去收集数据啊，看看vip文献吧
我经常帮别人做类似的数据分析的

㈢ 基于时间序列分析的股票价格短期预测，这个开题报告怎么弄，收费的就不用麻烦了

你好，希望我们可以帮你。相关资料在知网，万维网能查到资料。基于时间序列分析的股票价格短期预测开题报告是我们特长，我们的服务特色：支持支付宝交易，保证你的资金安全。3种服务方式，文章多重审核，保证文章质量。附送抄袭检测报告，让你用得放心。修改不限次数，再刁难的老师也能过。

㈣ 关于时间序列预测，预测多少点数合适的问题

拟合结果好，是因为有实际的数据在不断修正这些方法的偏差。而预测的时候就会有问题，就像你说的，后50个数据预测的会不准。你们导师的意思是对的，我们总感觉样本数据越多，预测结果越准，其实这是不对的。预测和数据多少无关（最少也得5个以上吧），关键是你预测的数据和基年的数据的时间差值，差值越大，偏差越大，因为中间没有实际的数据修正。预测近期的，结果都很好，远期的大部分不准确。看你数据这么多，你可以尝试分步预测，比如每隔10个点，取一个数据，然后就可以预测基年后的第10个数据，依次类推。

㈤ 有人会用时间序列预测吗，就是我现在知道2000-2011年的数据，想要预测2012-2015年的数据，具体怎么操作啊

那要看你要用什么模型进行估计了，对数据的自相关性进行检验，如果含有单位根的话先进行差分再检验。没有单位根后根据样本的ACF和PACF进行建模。最简单的就是arma模型，得到残差看是否符合正态分布或者学生-t分布之类的，看残差是否存在序列相关性。如果有在进行条件异方差模型。

㈥ 时间序列预测法的步骤

利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势值T和季节变动值s，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y：
加法模式T+S+I=Y
乘法模式T×S×I=Y
如果不规则变动的预测值难以求得，就只求长期趋势和季节变动的预测值，以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料，则长期趋势的预测值就是时间序列的预测值，即T=Y。但要注意这个预测值只反映现象未来的发展趋势，即使很准确的趋势线在按时间顺序的观察方面所起的作用，本质上也只是一个平均数的作用，实际值将围绕着它上下波动。

㈦ 请问用三次指数平滑时间序列预测价格有什么优缺点是只能预测短时间的吗要预测长期的价格用什么办法好

其实也不是预测，只表示股价呈现指数平均线移动的方向，但是股价随时反转而平均线滞后反应，多次指数平滑没有太多意义，当然，这跟放长周期的指数平滑还是不同，多次指数平滑的结果是均线非常平滑，而又能体现短期趋势，要预测长期价格就用长期移动平均线吧，这是就不必用指数移动平均线了，多次平滑也没必要

㈧ 什么是时间序列预测法

一种历史资料延伸预测，也称历史引伸预测法。是以时间数列 所能反映的社会经济现象的发展过程和规律性，进行引伸外推，预测其发展趋势的方法。 时间序列，也叫时间数列、历史复数或动态数列 。它是将某种统计指标的 数值，按时间先后顺序排到所形成的数列。时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。其内容包括：收集与整理某种社会现象的历史资料；对这些资料进行检查鉴别，排成数列；分析时间数列，从中寻找该社会现象随时间变化而变化的规律，得出一定的模式；以此模式去预测该社会现象将来的情况。 时间序列预测法的步骤 第一步 收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图 。时间序列分析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果分为四大类：(1)长期趋势；(2)季节变动；(3)循环变动；(4)不规则变动。 第二步 分析时间序列。时间序列中的每一时期的数值都是由许许多多不同的因素同时发生作用后的综合结果。 第三步 求时间序列的长期趋势(T)季节变动(s)和不规则变动(I)的值，并选定近似的数学模式来代表它们。对于数学模式中的诸未知参数，使用合适的技术方法求出其值。 第四步 利用时间序列资料求出长期趋势、季节变动和不规则变动的数学模型后，就可以利用它来预测未来的长期趋势 值T和季节变动值s，在可能的情况下预测不规则变动值I。然后用以下模式计算出未来的时间序列的预测值Y： 加法模式T+S+I=Y 乘法模式T×S×I=Y 如果不规则变动的预测值难以求得，就只求长期趋势 和季节变动的预测值，以两者相乘之积或相加之和为时间序列的预测值。如果经济现象本身没有季节变动或不需预测分季分月的资料，则长期趋势的预测值就是时间序列的预测值，即T=Y。但要注意这个预测值只反映现象未来的发展趋势，即使很准确的趋势线 在按时间顺序的观察方面所起的作用，本质上也只是一个平均数 的作用，实际值将围绕着它上下波动。 时间序列分析基本特征[1] 1.时间序列分析法是根据过去的变化趋势预测未来的发展,它的前提是假定事物的过去延续到未来。 时间序列分析,正是根据客观事物发展的连续规律性,运用过去的历史数据,通过统计分析,进一步推测未来的发展趋势。事物的过去会延续到未来这个假设前提包含两层含义:一是不会发生突然的跳跃变化,是以相对小的步伐前进;二是过去和当前的现象可能表明现在和将来活动的发展变化趋向。这就决定了在一般情况下,时间序列分析法对于短、近期预测比较显著,但如延伸到更远的将来,就会出现很大的局限性,导致预测值偏离实际较大而使决策失误。 2.时间序列数据变动存在着规律性与不规律性 时间序列中的每个观察值大小,是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看,这些因素造成的时间序列数据的变动分为四种类型。 (1)趋势性:某个变量随着时间进展或自变量变化,呈现一种比较缓慢而长期的持续上升、下降、停留的同性质变动趋向,但变动幅度可能不相等。 (2)周期性:某因素由于外部影响随着自然季节的交替出现高峰与低谷的规律。 (3)随机性:个别为随机变动,整体呈统计规律。 (4)综合性:实际变化情况是几种变动的叠加或组合。预测时设法过滤除去不规则变动,突出反映趋势性和周期性变动。 时间序列预测法的分类 时间序列预测法可用于短期预测、中期预测 和长期预测 。根据对资料分析方法的不同，又可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法 等。 简单序时平均数法 也称算术平均法 。即把若干历史时期的统计数值作为观察值，求出算术平均数作为下期预测值。这种方法基于下列假设：“过去这样，今后也将这样”，把近期和远期数据等同化和平均化，因此只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。 加权序时平均数法 就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。 简单移动平均法 就是相继移动计算若干时期的算术平均数作为下期预测值。 加权移动平均法 即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。 上述几种方法虽然简便，能迅速求出预测值，但由于没有考虑整个社会经济发展的新动向和其他因素的影响，所以准确性较差。应根据新的情况，对预测结果作必要的修正。 指数平滑法 即根据历史资料的上期实际数和预测值，用指数加权的办法进行预测。此法实质是由内加权移动平均法演变而来的一种方法，优点是只要有上期实际数和上期预测值，就可计算下期的预测值，这样可以节省很多数据和处理数据的时间，减少数据的存储量，方法简便。是国外广泛使用的一种短期预测 方法。 季节趋势预测法 根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。推算季节性指数可采用不同的方法，常用的方法有季(月)别平均法和移动平均法两种：a．季(月)别平均法。就是把各年度的数值分季(或月)加以平均，除以各年季(或月)的总平均数，得出各季(月)指数。这种方法可以用来分析生产、销售 、原材料储备、预计资金周转 需要量等方面的经济事物的季节性变动；b．移动平均法。即应用移动平均数计算比例求典型季节指数。 市场寿命周期预测法 就是对产品市场寿命周期的分析研究。例如对处于成长期的产品预测其销售量，最常用的一种方法就是根据统计资料，按时间序列画成曲线图 ，再将曲线外延，即得到未来销售发展趋势。最简单的外延方法是直线外延法，适用于对耐用消费品 的预测。

㈨ 时间序列预测方法有哪些分类，分别适合使用的情况是

时间序列预测方法根据对资料分析方法的不同，可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。

1、简单序时平均数法只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。

2、加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。

3、简单移动平均法适用于近期期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。

4、加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。

5、指数平滑法即根用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。

6、季节趋势预测法根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。

7、市场寿命周期预测法，适用于对耐用消费品的预测。这种方法简单、直观、易于掌握。

(9)时间序列预测期货价格扩展阅读：

时间序列预测法的特征

1、时间序列分析法是根据过去的变化趋势预测未来的发展，前提是假定事物的过去延续到未来。运用过去的历史数据,通过统计分析，进一步推测未来的发展趋势。不会发生突然的跳跃变化,是以相对小的步伐前进；过去和当前的现象，可能表明现在和将来活动的发展变化趋向。

2.时间序列数据变动存在着规律性与不规律性

时间序列中的每个观察值大小，是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看，这些因素造成的时间序列数据的变动分为四种类型：趋势性、周期性、随机性、综合性。

㈩ 求高手帮忙，时间序列分析预测法一般用于那些方面，有什么优缺点

时间序列是指同一变量按事件发生的先后顺序排列起来的一组观察值或记录值。构成时间序列的要素有两个：其一是时间，其二是与时间相对应的变量水平。实际数据的时间序列能够展示研究对象在一定时期内的发展变化趋势与规律，因而可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。
时间序列的变动形态一般分为四种：长期趋势变动，季节变动，循环变动，不规则变动。

时间序列预测法的应用：
系统描述
根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。
系统分析
当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。
预测未来
一般用ARMA模型拟合时间序列，预测该时间序列未来值。
决策和控制
根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。

时间序列预测法的基本特点是：
假定事物的过去趋势会延伸到未来；
预测所依据的数据具有不规则性；
撇开了市场发展之间的因果关系。

找的好辛苦！！！