信号处理是一个工程领域,专注于分析与时间相关的模拟和数字信号。时间序列分析是信号处理的类别之一。
时间序列是按固定时间间隔记录的数据点序列。时间序列分析是您对序列进行预测之前的一个重要步骤,值的顺序在时间序列分析中很重要。此过程有助于提取有意义的统计数据和其他数据特征,这有助于创建准确的预测。时间序列被广泛用于天气、股票价格、零售销售等数据……
我们将在本节中讨论以下主题:
1. Moving Average
2. Autoregressive Models
3. ARMA Models
这些解释如下。
1. 移动平均线:
移动平均线 (MA) 是一种广泛用于分析时间序列的计算方法。这指定了特定时间段的数据窗口,当新数据可用时,每次按一个时间段平均。
两种常用的移动平均线是:
- 简单移动平均线 (SMA) –
SMA 的计算提供了定义数量的时间段的平均数据。数学公式如下:
在哪里,
= 模型参数
n = 总天数 - 指数移动平均线 (EMA) –
指数移动平均线更优先考虑最近的数据。数学公式如下:
在哪里,
= 当前收盘价
= 前期 EMA [第一次计算的 SMA]
k = 2 / (N+1) [指数或平滑常数]
N = 计算 EMA 时考虑的总天数
EMA计算:
在这里,我们计算 5 天的 EMA。通常对于第一种情况,我们采用当前收盘价或前 5 天 SMA 值来获得第一个 EMA。对于以下示例,当前收盘价 ($22.81) 被视为第一个 EMA 值。
下一步是计算k值。由于计算是基于5天,N=5,k值计算如下:
k = 2/(5+1) = 0.3
DAY | CLOSE PRICE | EMA | SMA |
---|---|---|---|
1 | 22.81 | 22.81 | – |
2 | 23.09 | – | – |
第 2 天的 EMA 计算如下:
Current closing price = 23.09
Previous period EMA = 22.81
k = 0.3
EMA
= 22.81 + 0.3 * (23.09 - 22.81)
= 22.81 + 0.3 * 0.28
= 22.81 + 0.084
= 22.894
DAY | CLOSE PRICE | EMA | SMA |
---|---|---|---|
1 | 22.81 | 22.81 | – |
2 | 23.09 | 22.89 | – |
3 | 22.91 | – | – |
第 3 天的 EMA 计算如下:
Current closing price = 22.91
Previous period EMA = 22.89
k = 0.3
EMA
= 22.89 + 0.3 * (22.91 - 22.89)
= 22.89 + 0.3 * .02
= 22.89 + .006
= 22.896
DAY | CLOSE PRICE | EMA | SMA |
---|---|---|---|
1 | 22.81 | 22.81 | – |
2 | 23.09 | 22.89 | – |
3 | 22.91 | 22.89 | – |
SMA计算:
由于我们将总天数 (N) 视为 5,因此 SMA 计算为 5 个最近收盘价的平均值。
DAY | CLOSE PRICE | EMA | SMA |
---|---|---|---|
1 | 22.81 | 22.81 | – |
2 | 23.09 | 22.89 | – |
3 | 22.91 | 22.89 | – |
4 | 23.23 | 22.99 | – |
5 | 22.83 | 22.94 | – |
5 天的 SMA 计算如下:
SMA
= (22.81 + 23.09 + 22.91 + 23.23 + 22.83) / 5
= 114.87 / 5
= 22.97
DAY | CLOSE PRICE | EMA | SMA |
---|---|---|---|
1 | 22.81 | 22.81 | – |
2 | 23.09 | 22.89 | – |
3 | 22.91 | 22.89 | – |
4 | 23.23 | 22.99 | – |
5 | 22.83 | 22.94 | 22.97 |
6 | 23.05 | – | – |
2. 自回归模型:
自回归模型可用于根据过去的数据预测未来的数据。在这个模型中,假设数据依赖于它之前的数据。由于自回归模型完全依赖过去的数据来生成未来的模型,因此在某些情况下(例如金融危机或突然的技术变化)有可能生成不准确的数据。
数学公式如下:
应收账款计算:
下面的数据提供了今天(t)、前一天(t-1)、前两天(t-2)和前三天(t-3)的股票价格。
t | t-1 | t-2 | t-3 |
---|---|---|---|
23.23 | 22.91 | 23.09 | 22.81 |
22.83 | 23.23 | 22.91 | 23.09 |
23.05 | 22.83 | 23.23 | 22.91 |
23.02 | 23.05 | 22.83 | 23.23 |
23.29 | 23.02 | 23.05 | 22.83 |
23.41 | 23.29 | 23.02 | 23.05 |
23.49 | 23.41 | 23.29 | 23.02 |
24.6 | 23.49 | 23.41 | 23.29 |
24.63 | 24.6 | 23.49 | 23.41 |
24.51 | 24.63 | 24.6 | 23.49 |
23.73 | 24.51 | 24.63 | 24.6 |
23.31 | 23.73 | 24.51 | 24.63 |
23.53 | 23.31 | 23.73 | 24.51 |
23.06 | 23.53 | 23.31 | 23.73 |
23.25 | 23.06 | 23.53 | 23.31 |
23.12 | 23.25 | 23.06 | 23.53 |
22.8 | 23.12 | 23.25 | 23.06 |
22.84 | 22.8 | 23.12 | 23.25 |
有了上面的股价数据,需要进行线性回归,得到AR模型需要的参数。为此,您可以使用 Excel 中的数据分析功能。对于回归,您可以提供 t 数据作为 Y 输入和 (t-1)、(t-2)、(t-3) 作为 X 输入。 Microsoft excel 将为您提供以下结果。
回归统计:
Multiple R: 0.786903932
R Square: 0.619217798
Adjusted R Square: 0.537621612
Standard Error: 0.398415364
Observations: 18
Coefficients | Standard Error | |
---|---|---|
Intercept | 8.59250239 | 4.494566177 |
t-1 | 0.840795074 | 0.249566271 |
t-2 | 0.100511124 | 0.331626753 |
t-3 | -0.308260596 | 0.250400704 |
让我们看看如何使用回归的输出值。
以前的股票数据:
Coefficient of t-1 = 0.840795074 and Close price = 22.8
Coefficient of t-2 = 0.100511124 and Close price = 23.12
Coefficient of t-3 = -0.308260596 and Close price = 23.25
常数值:
Coefficient of Intercept = 8.59250239 = 8.6
标准错误:
t-1 = 0.249566271
t-2 = 0.331626753
t-3 = -0.250400704
Standard Error
= 0.25 + 0.33 - 0.25
= 0.33
AR
= 8.6 + [ (0.84*22.8) + (0.1*23.12) + (-0.31*23.25) ] + 0.33
= 8.6 + [ 19.15 + 2.31 - 7.20] + 0.33
= 8.6 + 14.26 + 0.33
= 23.19
您可以使用今天的股价和 R 平方值预测明天的股价,而不是进行整个计算(请参阅上面的回归统计输出)。
假设今天的股价是 22.84 美元,那么明天的股价计算如下:
AR(t+1) = Coefficient of Intercept + (R square * Today's Price)
+ Standard Error
R Square = 0.619217798
Standard Error (from regression statistics) = 0.398415364
AR
= 8.6 + (0.619*22.84) + 0.39
= 8.6 + 14.14 + 0.39
= 23.13
3. ARMA 型号:
ARMA 模型是另一种用于预测时间序列的工具。这些模型基于自回归模型和移动平均模型的组合。在 AR 模型中,我们使用过去的数据对变量进行回归,而在 MA 模型中,我们使用时间序列的平均值之和进行预测。
由于 ARMA 模型是 AR 部分和 MA 部分的组合,因此该模型称为 ARMA(p, q) 模型,其中 p 是 AR 部分,q 是 MA 部分。
数学公式如下:
在哪里,
= 自回归模型的参数
= 移动平均模型的参数
c = 常数
= 误差项的 [白噪声]