【Matlab】时间序列模型(ARIMA)

2024-08-28 04:04
文章标签 matlab 模型 时间 序列 arima

本文主要是介绍【Matlab】时间序列模型(ARIMA)，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

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。

这篇关于【Matlab】时间序列模型(ARIMA)的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/1113669。

相关文章

MyBatis Plus实现时间字段自动填充的完整方案

MyBatis Plus实现时间字段自动填充的完整方案

《MyBatisPlus实现时间字段自动填充的完整方案》在日常开发中,我们经常需要记录数据的创建时间和更新时间,传统的做法是在每次插入或更新操作时手动设置这些时间字段,这种方式不仅繁琐,还容易遗漏,... 目录前言解决目标技术栈实现步骤1. 实体类注解配置2. 创建元数据处理器3. 服务层代码优化填充机制详
阅读更多...
C++统计函数执行时间的最佳实践

C++统计函数执行时间的最佳实践

《C++统计函数执行时间的最佳实践》在软件开发过程中,性能分析是优化程序的重要环节,了解函数的执行时间分布对于识别性能瓶颈至关重要,本文将分享一个C++函数执行时间统计工具,希望对大家有所帮助... 目录前言工具特性核心设计1. 数据结构设计2. 单例模式管理器3. RAII自动计时使用方法基本用法高级用法
阅读更多...
C# LiteDB处理时间序列数据的高性能解决方案

C# LiteDB处理时间序列数据的高性能解决方案

《C#LiteDB处理时间序列数据的高性能解决方案》LiteDB作为.NET生态下的轻量级嵌入式NoSQL数据库,一直是时间序列处理的优选方案,本文将为大家大家简单介绍一下LiteDB处理时间序列数... 目录为什么选择LiteDB处理时间序列数据第一章：LiteDB时间序列数据模型设计1.1 核心设计原则
阅读更多...
MySQL按时间维度对亿级数据表进行平滑分表

MySQL按时间维度对亿级数据表进行平滑分表

《MySQL按时间维度对亿级数据表进行平滑分表》本文将以一个真实的4亿数据表分表案例为基础,详细介绍如何在不影响线上业务的情况下,完成按时间维度分表的完整过程,感兴趣的小伙伴可以了解一下... 目录引言一、为什么我们需要分表1.1 单表数据量过大的问题1.2 分表方案选型二、分表前的准备工作2.1 数据评估
阅读更多...
MySQL中DATE_FORMAT时间函数的使用小结

MySQL中DATE_FORMAT时间函数的使用小结

《MySQL中DATE_FORMAT时间函数的使用小结》本文主要介绍了MySQL中DATE_FORMAT时间函数的使用小结,用于格式化日期/时间字段,可提取年月、统计月份数据、精确到天,对大家的学习或... 目录前言DATE_FORMAT时间函数总结前言mysql可以使用DATE_FORMAT获取日期字段
阅读更多...
Linux中的自定义协议+序列反序列化用法

Linux中的自定义协议+序列反序列化用法

《Linux中的自定义协议+序列反序列化用法》文章探讨网络程序在应用层的实现,涉及TCP协议的数据传输机制、结构化数据的序列化与反序列化方法,以及通过JSON和自定义协议构建网络计算器的思路,强调分层... 目录一，再次理解协议二，序列化和反序列化三，实现网络计算器3.1 日志文件3.2Socket.hpp
阅读更多...
Python标准库datetime模块日期和时间数据类型解读

Python标准库datetime模块日期和时间数据类型解读

《Python标准库datetime模块日期和时间数据类型解读》文章介绍Python中datetime模块的date、time、datetime类,用于处理日期、时间及日期时间结合体,通过属性获取时间... 目录Datetime常用类日期date类型使用时间 time 类型使用日期和时间的结合体–日期时间(
阅读更多...
Java获取当前时间String类型和Date类型方式

Java获取当前时间String类型和Date类型方式

《Java获取当前时间String类型和Date类型方式》：本文主要介绍Java获取当前时间String类型和Date类型方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,... 目录Java获取当前时间String和Date类型String类型和Date类型输出结果总结Java获取
阅读更多...
Python实现批量提取BLF文件时间戳

Python实现批量提取BLF文件时间戳

《Python实现批量提取BLF文件时间戳》BLF（BinaryLoggingFormat）作为Vector公司推出的CAN总线数据记录格式,被广泛用于存储车辆通信数据,本文将使用Python轻松提取... 目录一、为什么需要批量处理 BLF 文件二、核心代码解析：从文件遍历到数据导出1. 环境准备与依赖库
阅读更多...
Spring的RedisTemplate的json反序列泛型丢失问题解决

Spring的RedisTemplate的json反序列泛型丢失问题解决

《Spring的RedisTemplate的json反序列泛型丢失问题解决》本文主要介绍了SpringRedisTemplate中使用JSON序列化时泛型信息丢失的问题及其提出三种解决方案,可以根据性... 目录背景解决方案方案一方案二方案三总结背景在使用RedisTemplate操作redis时我们针对
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2