时序平滑预测法

1、4 时序平滑预测法4 时序平滑预测法引例：2年前，国内猪肉价格疯长，也带动CPI数据一路创出新高，担忧通胀的呼声不绝于耳。仅仅两年，国内猪肉价格骤跌，“猪贱伤农”让不少养殖户挥泪大量宰杀母猪。同期CPI数据相应降低，通缩之虑又甚嚣尘上。中国经济在“猪周期”的循环中坐上了通胀通缩的跷跷板。4 时序平滑预测法猪周期是一种经济现象，指“价高伤民，价贱伤农”的周期性猪肉价格变化怪圈。“猪周期”的循环轨迹一般是：肉价上涨母猪存栏量大增生猪供应增加肉价下跌大量淘汰母猪生猪供应减少肉价上涨。4 时序平滑预测法猪周期是一种经济现象，指“价高伤民，价贱伤农”的周期性猪肉价格变化怪圈。“猪周期”的循环轨迹一般是：

2、肉价上涨母猪存栏量大增生猪供应增加肉价下跌大量淘汰母猪生猪供应减少肉价上涨。4 时序平滑预测法引例：猪周期是一种经济现象，指“价高伤民，价贱伤农”的周期性猪肉价格变化怪圈。“猪周期”的循环轨迹一般是：肉价上涨母猪存栏量大增生猪供应增加肉价下跌大量淘汰母猪生猪供应减少肉价上涨。4 时序平滑预测法中国生猪业已经出现多次周期性波动，这个周期一般在2-3年左右。如2003年、2004年，猪价高，导致生猪生产发展很快，结果到了2005年、2006年，猪价又大跌，养猪户不得不大量减少母猪，结果又导致2007年、2008年猪价大涨，随后，又开始一轮猪价下跌，进而踏入了猪价的上升通道。这种周期性大幅波动，使猪

3、农叫苦不迭，“赚一年、赔一年”，“价高伤民、价贱伤农”。中国生猪业已经出现多次周期性波动，这个周期一般在2-3年左右。如2003年、2004年，猪价高，导致生猪生产发展很快，结果到了2005年、2006年，猪价又大跌，养猪户不得不大量减少母猪，结果又导致2007年、2008年猪价大涨，随后，又开始一轮猪价下跌，进而踏入了猪价的上升通道。这种周期性大幅波动，使猪农叫苦不迭，“赚一年、赔一年”，“价高伤民、价贱伤农”。4 时序平滑预测法生猪产品属于鲜活类商品，难以依靠库存来调节供需，在价格上具有自身特点，即市场供应短缺的信号无法立即在产量上得到反映。根据历史规律，生猪行情一般3-4年为一个周期，价

4、格高峰和低谷通常间隔1年半左右，包括补栏母猪到生猪供应上市需要“8个月配种、4个月妊娠、1个月哺乳、5个月育肥”共18个月的生产周期。此外，养殖户对价格变化的反应也存在滞后期。4 时序平滑预测法生猪价格的高低与养猪利润并不完全一致。一般情况下，在生猪养殖过程中,饲料成本占养猪成本的60%以上,而猪饲料中，粮食尤其是玉米占比较大，粮食的产量和价格间接影响生猪生产的数量和价格。历史数据表明,猪价与粮价之间存在一种必然的、相互适应的规律,即“猪粮比价规律”,简称“猪粮比”。“猪粮比”越高,养殖利润情况越好。根据生猪养殖业利润核算标准,盈亏平衡点为6：1。4 时序平滑预测法2003年“猪粮比”曾达到7

5、.35：1的高位，生产者获得高利润，因各种疫情发作，延长了此次猪周期的牛市时间，盈利持续两年半之久。之后猪价渐渐回落，同时玉米价格因全球粮食减产以及美国玉米酒精产量大幅增长而攀升，至2006年5月“猪粮比”仅为4.48：1。2011年7月，“猪粮比”再度升至8.28：1。目前猪粮比回归至5.8：1左右，处于盈亏平衡点附近。4 时序平滑预测法一些基层干部说，一些农产品生产大起大落，关键是没有建立功能齐全、覆盖面广的市场信息网络。上级总要求基层干部给农民送信息、指导生产，但国内大宗农产品市场与国际市场联动，情况复杂，基层干部根本把握不住。虽然我国也建立了期货市场，但毕竟离农民和基层干部太远。实际上

6、，农民是靠着“去年价格”指导今年生产，总跟不上趟。4 时序平滑预测法 4.1时间序列概述 4.2移动平均法 4.3指数平滑法 4.4差分指数平滑法 4.5自适应过滤法 4 时序平滑预测法预测方法有四种基本的类型：定性预测、因果联系法、时间序列分析和模拟。1.定性预测:属于主观判断，它基于估计和评价。常见方法包括：一般预测、市场调研法、小组讨论法、历史类比、德尔菲法等。2.因果联系:假定需求与某些内在因素或周围环境的外部因素有关。主要有：回归分析、经济模型、投入产出模型、先行指标等。 4 时序平滑预测法3.时间序列分析：建立在这样一个设定基础上与过去需求相关的历史数据可用于预测未来的需求。历史数

7、据可能包含诸如趋势、季节、周期等因素。主要有：简单移动平均、加权移动平均、指数平滑、回归分析、鲍克斯詹金斯法、西斯金时间序列等。4.模拟：允许预测人员对预测的条件作一定程度的假设。 时间序列分析在经济统计和预测技术中占有重要地位。 时间序列分析预测方法就是通过分析预测目标的时间序列，随时间的变化趋势来外推预测目标的未来值，把影响预测目标变化的一切因素由“时间”综合起来描述。4 时序平滑预测法 时间序列分析技术一般可分为确定型和随机型两大类。4 时序平滑预测法4.1时间序列概述4 时序平滑预测法4.1时间序列概述4.1.1时序的因素分析 在时间序列中，每个时期数值的大小，都受许多不同因素的影响。

8、要想把各种因素加以细分，并测定其作用的大小，那是很因难的。 因此，时间序列分析的思路不是分析具体各种影响因素，而是分析性质不同的四大类影响因素。4 时序平滑预测法4.1时间序列概述4.1.1时序的因素分析 时间序列分析通常对各种可能发生影响的因素按性质不同分为四大类：长期趋势因素T季节变动因素S循环变动因素C不规则变动因素I4 时序平滑预测法4.1时间序列概述4.1.1时序的因素分析4 时序平滑预测法4.1时间序列概述4.1.1时序的因素分析4 时序平滑预测法4.1时间序列概述4.1.1时序的因素分析4 时序平滑预测法4.1时间序列概述4.1.1时序的因素分析4 时序平滑预测法4.1时间序列概

9、述4.1.2时间序列分解模型(组合形式)4 时序平滑预测法4.1时间序列概述4.1.2时间序列分解模型(组合形式)4 时序平滑预测法4.1时间序列概述4.1.2时间序列分解模型(组合形式)4 时序平滑预测法4.1时间序列概述4.1.2时间序列分解模型(组合形式)4 时序平滑预测法4.2移动平均法4 时序平滑预测法4.2移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.

10、2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.1简单移动平均法4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法

11、4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法4 时序平滑预测法4.2移动平均法4.2.2加权移动平均法4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动

12、平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)4 时序平滑预测法4.2移动平均法4.2.3双重移动平均法(趋势移动平均法)小结： 趋势移动平均法，适用于同时存在直线趋势与周期波动的序列，它是一种既能反映趋势变化，又可以有效地分离出周期变动的方法。4 时序平滑预测法4.3指数平滑法 我们先对指数

13、平滑法作一个总体介绍，然后分别介绍一次、二次和三次指数平滑预测法。4 时序平滑预测法4.3指数平滑法4.3.1指数平滑概述4 时序平滑预测法4.3指数平滑法4.3.1指数平滑概述4 时序平滑预测法4.3指数平滑法4.3.1指数平滑概述4 时序平滑预测法4.3指数平滑法4.3.1指数平滑概述4 时序平滑预测法4.3指数平滑法4.3.1指数平滑概述4 时序平滑预测法4.3指数平滑法4.3.1指数平滑概述4 时序平滑预测法4.3指数平滑法4.3.1指数平滑概述4 时序平滑预测法4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法

14、4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.2一次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法 指数平滑方法的选用，一般可根据原数列散点图呈现的趋势来确定。 如呈现直线趋势，选用二次指数平滑法；如呈现抛物线趋势，选用

15、三次指数平滑法。或者，当时间序列的数据经二次指数平滑处理后，仍有曲率时，应用三次指数平滑法。4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑

16、预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.3二次指数平滑预测法4 时序平滑预测法4.3指数平滑法4.3.4三次指数平滑法4 时序平滑预测法4.3指数平滑法4.3.4三次指数平滑法4 时序平滑预测法4.4差分指数平滑法 当时间序列的变动具有直线趋势时，用前面介绍的一次指数平滑法会出现滞后偏差，其根本原因

17、在于时间序列的数据不满足要求。因此，我们也可从数据变换的角度来考虑指数平滑法的改进措施。4 时序平滑预测法4.4差分指数平滑法 差分方法是改变数据变动趋势的简单方法。在运用指数平滑法前，先对原来的时间序列作一些技术处理，使数据能适合一次指数平滑模型，然后，再作技术上的返回处理，使之恢复为原变量的形态。 下面我们介绍如何运用差分改进指数平滑法。4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型 差分方法是改变数据变动趋势的简单方法。在运用指数平滑法前，先对原来的时间序列作一些技术处理，使数据能适合一次指数平滑模型，然后，再作技术上的返回处理，使之恢复为原变量的形态。 下面我们介

18、绍如何运用差分改进指数平滑法。4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型 差分方法是改变数据变动趋势的简单方法。在运用指数平滑法前，先对原来的时间序列作一些技术处理，使数据能适合一次指数平滑模型，然后，再作技术上的返回处理，使之恢复为原变量的形态。 下面我们介绍如何运用差分改进指数平滑法。4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型 如前所述。指数平滑值实质上是一种加权平均数。因此，我们把时间序列中的逐期增量加权平均，加上当前期的实际数进行预测，显然比一次指数平滑法中只用变量以往取值的加权平均数作为下一期的预测更为合理。4 时序平滑预测法4.4

19、差分指数平滑法4.4.1一阶差分指数平滑模型 这样可以使预测值始终围绕实际值上下波动，从根本上克服了在直线增加趋势的情况下，用一次指数平滑法所得出的结果始终落后于实际值的弊端。 4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型4 时序平滑预测法4.4差分指数平滑法4.4.1一阶差分指数平滑模型4 时序平滑预测法4.4差分指数平滑法4.4.2二阶差分指数平滑模型4 时序平滑预

20、测法4.4差分指数平滑法4.4.2二阶差分指数平滑模型4 时序平滑预测法4.5自适应过滤法 自适应过滤预测法与移动平均法、指数平滑法一样，也是以时间序列的历史观察值进行某种加权平均来预测的，所不同的是它要寻找一组“最佳”权数。4 时序平滑预测法4.5自适应过滤法 自适应过滤预测法的基本思路是：先用给定的权数来计算一个预测值，然后，计算预测误差，再根据预测误差调整权数以减小误差，这样反复进行，直至找出一组“最佳”权数，使误差减少到最低限度。4 时序平滑预测法4.5自适应过滤法 这种调整权数的过程与通信过程中过滤传输噪声的过程极为相似，所以就称其为自适应过滤法。 自适应过滤法是近代欧美统计学家经常用的方法。4 时序平滑预测法4.5自适应过滤法4.5.1自适应过程预测的基本模型自适应过滤法的优点简单易行，可用标准程序上机运算。适用于数据点较少的情况。约束条件较少。具有自适应性，它能自动调整回归系数，是一个可变系数的数据模型。4 时序平滑预测法4.5自适应过滤法4.5.1自适应过程预测的基本模型4 时序平滑预测法4.5自适应过滤法4.5.1自适应过程预测的基本模型4 时序平滑预测法4.5自适应过滤法4.5.2权数估计4 时序平滑预测法4.5自适应过滤法4.5.2权数估计其调整权数的公式为：wi=wi+2K.ei+1 yt-i+1 式中：i=1,2,.,N, t=N,N+1,