当前位置: 首页 > news >正文

【Matlab】时间序列模型(ARIMA)

文章目录

  • 前言
  • 一、示例
  • 二、代码实现----Matlab
    • 全部数据的平稳性检验
      • ADF检验
      • 图检验法
    • 划分训练集
      • 平稳性检验
      • 确定 p,q
      • 结果分析和模型检验
      • 模型预测


前言

接上一篇博客,用 Matlab 完成代码编写。
【学习笔记】时间序列模型(ARIMA)

一、示例

  • 已知一个上市公司一段时期的开盘价,最高价,最低价,收盘价等信息,要求建立模型,预测股价。
  • 这里只需要股票的收盘价(close),我们可以把数据提取出来,并划分为训练集和测试集
  • 本题我们把1-3月份的数据作为训练集,4-6月份的数据作为测试集

二、代码实现----Matlab

全部数据的平稳性检验

%% 数据读取
% 读取 CSV 文件
filename = 'ChinaBank.csv';
data = readtable(filename);% 读取文件中的两列
close_data = data.Close;
date_data = data.Date;% 一阶差分
close_dif1 = diff(close_data);
% 二阶差分
close_dif2 = diff(close_data, 2);% 创建一个新的图形窗口并设置其大小
figure('Position', [100, 100, 1200, 1000]); subplot(3, 1, 1);
plot(date_data,close_data); 
title('原始数据');
xlabel('日期');
ylabel('收盘价');% 绘制一阶差分数据
subplot(3, 1, 2);
plot(date_data(2:end), close_dif1);
title('一阶差分');
xlabel('日期');
ylabel('差分值');% 绘制二阶差分数据
subplot(3, 1, 3);
plot(date_data(3:end), close_dif2);
title('二阶差分');
xlabel('日期');
ylabel('差分值');

运行结果:

在这里插入图片描述

结果分析:

可以看出,一阶差分和二阶差分后,平稳性变好。

ADF检验

Matlab 的 adftest 函数

[h, pValue, stat, cValue] = adftest(y);

返回值解释

  1. h:检验结果

    h 是一个逻辑值,表示检验结果:

    • 1:拒绝原假设(即,时间序列是平稳的)。
    • 0:无法拒绝原假设(即,时间序列可能存在单位根或是非平稳的)。
  2. pValue:p 值

    pValue 是一个实数,表示检验统计量的 p 值。p 值越小,拒绝原假设的证据越强。通常,如果 p 值小于某个显著性水平(如 0.05),则拒绝原假设。

  3. stat:检验统计量

    stat 是一个实数,表示 ADF 检验的统计量。这个值用于与临界值进行比较,以决定是否拒绝原假设。

  4. cValue:临界值

    cValue 是一个向量,包含不同显著性水平(如 1%、5%、10%)下的临界值。用于与统计量 stat 进行比较。

Matlab 代码

% 进行ADF检验
[h, pValue, stat, cValue] = adftest(close_data);% 显示结果
disp(['ADF 检验结果: ', num2str(h),' ','p 值: ', num2str(pValue),' ','统计量: ', num2str(stat),' ','临界值: ', mat2str(cValue)]);

运行结果:

在这里插入图片描述

结果分析:

  • ADF 检验结果为 0,则无法拒绝原假设,表示时间序列可能是非平稳的。
  • p 值为 0.96618,大于 0.05,无法拒绝原假设。
  • 统计量为 1.485,大于临界值 -1.9416,无法拒绝原假设。

图检验法

  1. 原始数据
% 计算并绘制自相关函数(ACF)
figure('Position', [100, 100, 1200, 700]); 
subplot(2, 1, 1);
autocorr(close_data, 20);
title('自相关函数(ACF)');% 计算并绘制偏自相关函数(PACF)
subplot(2, 1, 2);
parcorr(close_data, 20);
title('偏自相关函数(PACF)');

运行结果:

在这里插入图片描述
结果分析:

ACF中,大部分的值没有落在置信区间内,所以不具有平稳性。

  1. 一次差分
% 计算并绘制自相关函数(ACF)
figure('Position', [100, 100, 1200, 700]); 
subplot(2, 1, 1);
autocorr(close_dif1, 20);
title('自相关函数(ACF)');% 计算并绘制偏自相关函数(PACF)
subplot(2, 1, 2);
parcorr(close_dif1, 20);
title('偏自相关函数(PACF)');

运行结果:

在这里插入图片描述
结果分析:

由图形可以看出,大部分的值都落在了置信区间内。

划分训练集

train = close_data(1:62);
test = close_data(63:127);

平稳性检验

ADF检验

  1. 原训练集
% 进行ADF检验
[h, pValue, stat, cValue, reg] = adftest(train);% 显示结果
disp(['ADF 检验结果: ', num2str(h),' ','p 值: ', num2str(pValue),' ','统计量: ', num2str(stat),' ','临界值: ', mat2str(cValue)]);

运行结果:

在这里插入图片描述
平稳性并不理想,所以考虑一次差分。(和python运行出来的结果不一致,此处存疑

  1. 训练集进行一次差分
train_dif1 = diff(train);
% 进行ADF检验
[h, pValue, stat, cValue, reg] = adftest(train_dif1);% 显示结果
disp(['ADF 检验结果: ', num2str(h),' ','p 值: ', num2str(pValue),' ','统计量: ', num2str(stat),' ','临界值: ', mat2str(cValue)]);

运行结果:
在这里插入图片描述
通过平稳性检验。

图检验法

  1. 原训练集
% 计算并绘制自相关函数(ACF)
figure('Position', [100, 100, 1200, 700]); 
subplot(2, 1, 1);
autocorr(train, 20);
title('自相关函数(ACF)');% 计算并绘制偏自相关函数(PACF)
subplot(2, 1, 2);
parcorr(train, 20);
title('偏自相关函数(PACF)');

运行结果:

在这里插入图片描述

平稳性并不理想,所以考虑一次差分。(和python运行出来的结果不一致,此处存疑

  1. 训练集进行一次差分
% 计算并绘制自相关函数(ACF)
figure('Position', [100, 100, 1200, 700]); 
subplot(2, 1, 1);
autocorr(train_dif1, 20);
title('自相关函数(ACF)');% 计算并绘制偏自相关函数(PACF)
subplot(2, 1, 2);
parcorr(train_dif1, 20);
title('偏自相关函数(PACF)');

运行结果:
在这里插入图片描述

通过平稳性检验。

确定 p,q

1. 相关函数法

由训练集一次差分后的 ACF 和 PACF 图可以看出,呈现不规则衰减,p 、q的值难以直接判断。

2. AIC、BIC准则

% 定义候选模型阶数范围
maxP = 8;
maxQ = 8;
n = length(train);% 初始化结果存储
aicValues = NaN(maxP, maxQ);
bicValues = NaN(maxP, maxQ);% 迭代计算所有候选模型的AIC和BIC值
for p = 0:maxPfor q = 0:maxQtryMdl = arima(p,1,q);[~,~,logL] = estimate(Mdl, train, 'Display', 'off');numParam = p + q + 1; % p个AR参数, q个MA参数, 1个差分项[aicValues(p+1, q+1),bicValues(p+1, q+1)] = aicbic(logL, numParam, n);catch% 忽略无法估计的模型continue;endend
end% 找到AIC最小值对应的(p, q)
[minAIC, idxAIC] = min(aicValues(:));
[pAIC, qAIC] = ind2sub(size(aicValues), idxAIC);
pAIC = pAIC - 1;
qAIC = qAIC - 1;% 找到BIC最小值对应的(p, q)
[minBIC, idxBIC] = min(bicValues(:));
[pBIC, qBIC] = ind2sub(size(bicValues), idxBIC);
pBIC = pBIC - 1;
qBIC = qBIC - 1;fprintf('AIC选择的模型阶数: p = %d, q = %d\n', pAIC, qAIC);
fprintf('BIC选择的模型阶数: p = %d, q = %d\n', pBIC, qBIC);

运行结果:

在这里插入图片描述
在这里插入图片描述
姑且先选择 AIC 准则的结果:p = 7,q = 6。此处存疑

结果分析和模型检验

残差序列的随机性可以通过自相关函数法来检验,即做残差的自相关函数图

model = arima(7,1,6);
md1 = estimate(model, train, 'Display', 'off');% 检查残差的自相关性
residuals = infer(md1, train);
figure;
autocorr(residuals);
title('Residuals Autocorrelation');

运行结果:

在这里插入图片描述

结果分析:从 ACF 图中可以看出残差之间独立性比较高。

模型预测

numPeriods = length(test);
[Y, YMSE] = forecast(md1, numPeriods, 'Y0', train);origin_close = close_data(1:127);
origin_date = date_data(1:127);
% 绘制预测结果与真实值的比较
figure('Position', [100, 100, 1200, 700]); 
plot(origin_date,origin_close, test_date, Y);
legend('真实值','预测值');
title('ARIMA 模型预测结果');
xlabel('时间');
ylabel('值');

运行结果:

在这里插入图片描述
向后预测了三个月的数据。


http://www.mrgr.cn/news/11776.html

相关文章:

  • 【Rust光年纪】Rust多媒体处理库全面比较:探索安全高效的多媒体处理利器
  • 算法-单词规律(290)
  • 大模型企业应用落地系列》基于大模型的对话式推荐系统》技术架构设计全攻略
  • USB设备驱动代码分析(鼠标)
  • 【yarn publish : 报错 passed folder/tarball doesn‘t exist 】
  • 【SQL】连续出现的数字
  • LabVIEW高速数据采集关键问题
  • 网络基础知识:理解核心概念与技术
  • 通过css,js html结合实现第一个页面
  • Java常用API(Math,System,Runtime)
  • 上ERP就能数字化转型吗?数字化转型到底转什么?
  • 【C#】【EXCEL】Bumblebee/Classes/ExGraphic.cs
  • Ubuntu下部署Hadoop集群+Hive(三)
  • 【从问题中去学习k8s】k8s中的常见面试题(夯实理论基础)(十四)
  • 【dotnet】Ubuntu 24.04安装dotnet 8.0报错
  • Java笔试面试题AI答之线程(4)
  • Qt的事件循环
  • 新160个crackme - 041-genocide1
  • Servlet
  • linux 安装kafaka单体服务