商品期货时间序列模型

⑴ 求时间序列模型能分析周期性吗

可以的，时间序列就是用于做这事

⑵ 时间序列模型的步骤

辨识合适的随机模型,进行曲线拟合,即用通用随机模型去拟合时间序列的观测数据。对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用通用ARIMA模型（自回归滑动平均模型）及其特殊情况的自回归模型、滑动平均模型或组合-ARIMA模型等来进行拟合。当观测值多于50个时一般都采用ARIMA模型。对于非平稳时间序列则要先将观测到的时间序列进行差分运算，化为平稳时间序列，再用适当模型去拟合这个差分序列。
时间序列是一种特殊的随机过程，当中的取非负整数时，就可以代表各个时刻，就可以看作是时间序列（time series),因此，当一个随机过程可以看作时间序列时，我们就可以利用现有的时间序列模型建模分析该随机过程的特性。

⑶ 期货的时间序列问题，求助

期货的时间一般四个月一个周期，1、5、9个别有10,12月这样的主力合约，可以通过仓位转移来确定，文华财经上也有主力合约的窗口

⑷ 以下哪个是常见的时间序列算法模型

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

⑸ 三种时间序列模型

（1）如果除a₀=1外所有其它的AR系数都等于零，则式（1-124）成为

地球物理信息处理基础

这种模型称为q阶滑动平均模型或简称为MA（q）模型（Moving Average Model），其系统函数（传输函数）为

地球物理信息处理基础

模型输出功率谱为

地球物理信息处理基础

或

地球物理信息处理基础

这是一个全零点模型，因为它只有零点，没有极点（除了原点以外）。如果模型的全部零点都在单位圆内，则是一个最小相位系统，且模型是可逆的。

（2）如果除b₀=1外所有其它的MA系数都等于零，则式（1-124）成为

地球物理信息处理基础

这种模型称为p阶自回归模型或简称为AR（p）模型（Autoregressive Model），其传输函数为

地球物理信息处理基础

模型输出功率谱为

地球物理信息处理基础

或

地球物理信息处理基础

显然，该模型只有极点，没有零点（除了原点以外），因此这是一个全极点模型，而且只有当极点都在单位圆内时，模型才稳定。

（3）设a₀=1和b₀=1，其余所有的a_k和b_k不全为零。在这种情况下，模型的差分方程、系统函数和输出功率谱分别用式（1-124）、式（1-123）和式（1-125）或式（1-126）表示。分子部分称为MA部分，而分母部分称为AR部分，这两部分分别满足稳定性和可逆性的条件。这是一个“极点—零点”模型，称为自回归滑动平均模型ARMA（p，q）模型（Autore-gressive Moving Average Model）。

在上面已谈到，实际中所遇到的功率谱可分为三种：一种是“平谱”，即白噪声谱，第二种是“线谱”，即由一个或多个正弦信号所组成的信号的功率谱，第三种介于二者之间，即既有峰点又有谷点的谱，这种谱称为ARMA谱。可以看出，AR模型能突出反映谱的峰值，而MA模型能突出反映谱的谷值。

沃尔德（Wold）分解定理阐明了上述三类模型之间的联系，即：任何广义平稳随机过程都可分解成一个可预测（确定）的部分和一个不可预测（完全随机）的部分。确定性随机过程是一个可以根据其过去的无限个取样值完全加以预测的随机过程。例如，一个由纯正弦信号（具有随机相位以保证广义平稳）和白噪声组成的随机过程，可以分解成一个纯随机成分（白噪声）和一个确定性成分（正弦信号）。或者可以把这种分解看成为把功率谱分解成一个表示白噪声的连续成分和一个表示正弦信号的离散成分（具有冲激信号的形式）。

Wold分解定理的一个推论是：如果功率谱完全是连续的，那么任何ARMA过程（Au-toregressive Moving Average Process）或AR过程（Autoregressive Process）可以用一个无限阶的MA过程（Moving Average Process）表示。Колмогоров（Kolmogorov）提出的一个具有类似结论的定理：任何ARMA或MA过程可以用一个无限阶的AR过程表示。这些定理很重要，因为如果选择了一个不合适的模型，但只要模型的阶数足够高，它仍然能够比较好地逼近被建模的随机过程。

估计ARMA或MA模型参数一般需要解一组非线性方程，而估计AR模型参数通常只需解一组线性方程，因此，AR模型得到了深入的研究和广泛应用。如果被估计过程是p阶自回归过程，那么用AR（p）模型即能很精确地模拟它；如果被估计过程是ARMA或MA过程，或者是高于p阶的AR过程，那么用AR（p）模型作为它们的模型时，虽然不可能很精确，但却可以尽可能地逼近它，关键是要选择足够高的阶数。证明如下：

假设MA模型为

地球物理信息处理基础

对上式进行Z变换得到

X（z）=B（z）W（z）

式中B（z）是MA信号模型的系统函数，或者说是b_i（i=1，2，3，…）序列的Z变换。

设MA信号模型满足可逆性条件，即B^-1（z）的存在，令

B^-1（z）=G（z）=1+g₁z^-1+g₂z^-2+g₃z^-3+…

这样

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

则

地球物理信息处理基础

对上式进行Z反变换，得到

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

上式就是x（n）的AR信号模型，因此证明了一个时间序列可以用有限阶MA信号模型表示时，也可以用无限阶的AR模型表示，对于ARMA模型也同样可以证明。

［例1-2］已知x（n）的功率谱为

地球物理信息处理基础

求出该模型的系统函数H（z）。

解：利用欧拉公式可以将P_xx（e^jω）变为

地球物理信息处理基础

取z=e^jω，则上式变为

地球物理信息处理基础

令

，那么，

，显然有理多项式B（z）的分子、分母都是最小相位的。所以有

地球物理信息处理基础

与式（1-120）相比较，得

。又由式（1-125）得到所求的系统函数

地球物理信息处理基础

⑹ 时间序列分析与综合有哪几种模型

时间序列分析与综合一般有三种模型，分别为自回归AR模型，滑动平均模型MA和自回归滑动平均混合ARMA模型。

⑺ 时间序列模型的简介

时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。

⑻ 时间序列的各个模型有什么区别和应用

时间序列模型是指采用某种算法（可以是神经网络、ARMA等）模拟历史数据，找出其中的变化规律，
神经网络模型是一种算法，可以用于分类、聚类、预测等等不用领域；

两者一个是问题模型，一个是算法模型

⑼ 时间序列模型有什么实际用处

金融，天气预报，销售情况等等。就是根据以往的数据（以时间顺序排列的一系列数据）预测未来的值

⑽ 想做时间序列的模型，求指导

传统的时间序列模型包括AR和MA，以及ARMA模型，还有ARIMA等

深度学习来临之后，时间序列模型可以使用RNN来实现，目前已经有很广发的应用，尤其在自然语言理解方面
模型的建立可以用python的statsmodels包来做，已经做的很完善了，你可以了解一下