11种典型的时间序列回归预测方法大集合——附代码

目录

摘要：

下图程序内操作手册部分展示：

下图程序运行后出图部分展示：

本文Matlab工具箱与源代码：

---

摘要：

时间序列预测就是利用过去一段时间的数据来预测未来一段时间内的信息，包括连续型预测（数值预测，范围估计）与离散型预测（事件预测）等，具有非常高的商业价值。需要明确一点的是，与回归分析预测模型不同，时间序列模型依赖于数值在时间上的先后顺序，同样大小的值改变顺序后输入模型产生的结果是不同的。如之前的文章所介绍，时间序列可以分为平稳序列，即存在某种周期，季节性及趋势的方差和均值不随时间而变化的序列，和非平稳序列。如何对各种场景的时序数据做准确地预测，是一个非常值得研究的问题。

本程序基于Matlab平台，封装了11种典型的时间序列回归预测方法（自带回归预测演示案例与实验数据，预测完成后自动出图），使用者可以通过查阅本代码的相关使用手册，通过简单的几行代码，替换实验数据为自己的数据并选择自己需要的时间序列预测方法，实现自己需要的功能，本代码的部分时间序列预测方法如下：

1) 自回归模型（Autoregression，AR）

2) 滑动平均模型（Moving Average）

3) 自回归-滑动平均模型（Autoregressive Moving Average）

4) 差分整合移动平均自回归模型（Autoregressive Integrated Moving Average，ARIMA)

5) Seasonal Autoregressive Integrated Moving-Average (SARIMA)

6) Seasonal Autoregressive Integrated Moving Average with Exogenous Regressors (SARIMAX)

7) Vector Autoregression (VAR)

8) GARCH Model

9) Glostan, Jagannathan and Runkle GARCH Model

。。。。。

本代码集成了11种典型的时间序列回归预测方法，可以让使用者简单、方便的对其调用并修改。代码内部文档对每一种时间序列预测方法都进行了相关的解释说明，介绍了各自的特性、实现原理、使用方法、以及各自适用的任务。

下图程序内操作手册部分展示：

下图程序运行后出图部分展示：

本文Matlab工具箱与源代码：