Python数据分析与挖掘实战第五章笔记之时间序列分析

#时间序列分析：给定一个已被观测了的时间序列，预测该序列的未来值
# 时间序列算法：
# 1、平滑法：常用语趋势分析和预测，利用修匀技术，虚弱短期随机波动对序列的影响，使序列平滑化，根据平滑技术的不同，分为移动平均法和指数平滑法
# 2、趋势拟合法：把时间作为自变量，相应的序列观察值作为因变量，建立回归模型，根据序列的特征，可具体分为线性拟合和曲线拟合
# 3、组合模型：时间序列的变化主要受到长期趋势，季节变动，周期变动和不规则变动四个因素的影响，可以构架加法模型和乘法模型
# 4、AR模型：以前P期的序列值为自变量，随机变量的取值为因变量建立线性回归模型
# 5、MA模型：随机变量的取值与前期序列值无关，建立随机变量的取值与前q期随机扰动的线性回归模型
# 6、ARMA模型：随机变量的取值不仅与前期序列值有关还与前期随机扰动有关
# 7、ARIMA模型：许多非平稳序列差分后会显示出平稳序列的性质，称这个非平稳序列为差分平稳序列。
# 8、ARCH模型：适用于具有异方差性并且异方差函数短期自相关
# 9、GARCH模型及其衍生模型：能够反应实际序列的长期记忆性、信息的非对称性

# 时间序列的预处理：首先要对它进行纯随机性和平稳性的检验，根据检验结果将序列分为不同类型，采用不同方法分析。
# 对于纯随机序列，又称为白噪声序列，序列各项之间没有任何相关关系，序列在进行完全无序的随机波动，可以终止对该序列的分析。白噪声序列是没有信息可提取的平稳序列。
# 对于平稳非白噪声序列，均值和方差是常数，建立一个线性模型来拟合该序列的发展，最常用ARMA模型。
# 对于非平稳序列，由于均值和方差不稳定，一般是将其转化为平稳序列再进行研究。

#