时间序列算法总结：单变量模型

开发平台：jupyter lab

运行环境：python3、TensorFlow2.x

时间序列分解：在通常的情况下，一个时序序列包含3中影响因素。
（1）长期趋势（Trend）：指在一个相当长的时间内表现为一种近似值先的持续向上、向下或者平均的趋势，例如：我国的国民总值；
（2）季节变动（Season）：值时间序列数据受季节变化影响所形成的一种长度和幅度固定的短期周期波动（这里的“季节”是指周期，不限于自然季节，还包括周、月、年等，例如冷饮、羽绒服的季节性波动，某写字楼的人流量在一周之内的波动等；）；
（3）不规则变动（Irregular）：受偶然因素的影响所形成的不规则波动，在时间序列中无法预计这种波动，例如股票市场的受利好或者利空信息的影响，使得股票的价格产生波动；
-------------------------------------------------------------------------------------------- 总结 --------------------------------------------------------------------------------------
１.时间序列算法总结：单变量模型（后续有机会会进行详细的补充）
２.时间序列算法总结：多变量模型

时间序列按照季节来进行划分，分为季节性时间序列和非季节性时间序列；
（1） 非季节性时间序列：一个趋势部分、一个不规则部分（随机部分）；
（2）季节性时间序列：一个趋势部分、一个不规则部分（随机部分）、一个季节性部分；

１．移动平均模型MA

（1）移动平均是一种简单平滑技术，他是通过在时间序列上逐项推移取一定项数的均值，来表现指标的长期变化和发展趋势。
（2）描述的是自回归模型部分的累计误差。
链接1: 金融时间序列分析：7. MA滑动平均模型
链接2: 金融时间序列分析：8. MA模型实例（Python）

２．简单移动平均模型SMA

简单移动平移将时间序列上前n个数值做简单的算术平均。假设用x1~xn来表示指标在时间序列上前n期中梅贻琦的实际值，那么第n期的平滑值可以用义僖公视来来计算得到：SMAn=（x1+x2+···+xn）/n

３．加权移动平均模型WMA

加权移动平均在基于简单移动平均的基础上，对事件序列上前n期的每一项数值赋予相应的权重，即得到加权平均的结果。
基本思想：提升近期的数据并减弱远期数据对当前预测值的影响，则加权移动平均的计算公式如下：WMAn=w1x1+w2x2+···+wnxn

４．自回归模型AR

本质上：是一个线性回归模型，自回归模型中的“自”描述的是当前值与历史值之间的关系。自回归模型是通过一个超参数p。把时间序列格式的样本转换为线性回归模型的样本。
转换方式：通过前n个数预测下一个数；
链接1: 金融时间序列分析：4. AR自回归模型
链接2: 金融时间序列分析：5. AR模型实例（Python）

５．自回归移动平均模型ARMA

ARMA模型：是AR模型和MA模型的组合，其是在将非平稳事件序列转换为平稳时间序列后，将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。
链接1: 金融时间序列分析：9. ARMA自回归移动平均模型

６．不平稳序列转化成平稳序列

6.1 差分

差分是把不平稳的时间序列转化为平稳的时间序列的最常用的办法；

6.2 单位根检验法

可以使用单位根检验法来检验一个时间序列的平稳性。