Chap6-从数据看趋势

金融数据统计分析项目六从数据看未来（高职）Chap6_从数据看趋势01背景：互联网金融的趋势01知识：时间序列分析方法01实践：时间序列数据分析过程（高职）Chap6_从数据看趋势知识背景互联网金融的趋势（高职）Chap6_从数据看趋势互联网金融规范化发展2014年4月3日，中国互联网金融协会正式获得国务院批复2015年7月，央行等十部门联合印发《关于促进互联网金融健康发展的指导意见》2016年10月13日，国务院办公厅发布《互联网金融风险专项整治工作实施方案的通知》（高职）Chap6_从数据看趋势金融科技引领互联网金融的新发展创新成为互联网金融行业发展的核心动力“核心技术”渐进式地改变传统金融业移动互联改变了金融的触达能力和便捷性大数据改变了信息搜集的成本和处理效率云计算改变了金融的成本和效率区块链技术颠覆传统金融信用中心式的服务模式（高职）Chap6_从数据看趋势场景金融是互联网金融的重要发展方向场景金融是人们在某一活动场景中的金融需求体验场景化交易有可能就是未来金融盈利的中枢（高职）Chap6_从数据看趋势移动支付的趋势不可逆转2015年上半年，手机支付、手机网购、手机旅行预订用户规模分别达到2.76亿、2.70亿和1.68亿，半年度增长率分别为26.9%、14.5%和25.0%（高职）Chap6_从数据看趋势互联网金融资产交易蓬勃发展（高职）Chap6_从数据看趋势知识要点时间序列分析（高职）Chap6_从数据看趋势时间序列时间序列(TimeSeries)也称为时间数列，把反映某一现象的同一指标在不同时间上的取值，按时间的先后顺序排列所形成的一个动态数列时间序列中的数值是现实的、真实的一组数据，而不是数理统计中做实验得到的人们希望通过对这些时间序列发现和揭示现象的发展变化规律，以掌握和控制未来行为。（高职）Chap6_从数据看趋势时间序列的分类按所研究的对象的多少来分，有一元时间序列和多元时间序列某种商品的销售量数列按年、月顺序排序的气温、气压、雨量数据按时间的连续性可将时间序列分为离散时间序列和连续时间序列按序列的统计特性分，有平稳时间序列和非平稳时间序列时间序列的平稳性是指时间序列的统计规律不会随着时间的推移而发生变化按序列的分布规律来分，有高斯型(Guassian)和非高斯型时间序列(non-Guassian)（高职）Chap6_从数据看趋势影响时间序列的因素长期趋势（T）季节变动(S)循环变动(C)不规则变动(I)时间序列一般是以上几种变化形式的叠加或组合出现的（高职）Chap6_从数据看趋势影响时间序列的因素模型加法模型和乘法模型加法模型中各个组成部分所具有的变动数值是各自独立，彼此相加的乘法模型中各个组成部分所具有的变动数值是相互依存，彼此相乘的（高职）Chap6_从数据看趋势时间序列分析时间序列分析的方法需要根据时间序列的特征进行选择对于长期趋势变化的时间序列，使用的分析方法有移动平均法、指数平滑法、模型拟合法等对于季节性周期变化的数据，采用季节指数法。对于数据的随机变化，则采用模型拟合的方法（高职）Chap6_从数据看趋势时间序列分析对同一组数据，有时会采用多种时间序列分析方法对其进行分析预测，方法之间需要比较预测的精度预测精度的评定由均方误差（MSE）表示：预测的均方误差为预测误差平方的平均数，其中预测误差是实际值与预测值之间的差。MSE的值越小，表示预测精度越高。（高职）Chap6_从数据看趋势长期趋势的分析方法在相当长的时期内，受某种基本因素的影响，持续增长或不断下降的趋势测定长期趋势的基本方法是对时间数列进行修匀，修匀的基本目的就是消除影响事物变化的非基本因素常用的是移动平均法、指数平滑法和数学模型法（高职）Chap6_从数据看趋势长期趋势的分析方法——移动平均法基本思想：通过扩大原时间序列的时间间隔，并按一定间隔长度逐期移动，分别计算出一系列移动平均数，这些平均数形成的新的时间序列对原时间序列的波动起到一定的修匀作用，削弱了原时间序列中季节周期、循环周期及短期偶然因素的影响，从而呈现出现象发展的变动趋势移动平均法较常用的有一次移动平均法、加权移动平均法、指数平滑法等（高职）Chap6_从数据看趋势长期趋势的分析方法——移动平均法简单移动平均的各元素的权重都相等月份实际销售量

简单移动平均预测值

1423—2358—3434—444540555274126429469742646785024619480452103844691142745612446430——419（高职）Chap6_从数据看趋势长期趋势的分析方法——移动平均法加权移动平均法：给固定跨越期限内的每个变量值以不相等的权重历史各期产品需求的数据信息对预测未来期内的需求量的作用是不一样的除了以为周期的周期性变化外，远离目标期的变量值的影响力相对较低，故应给予较低的权重（高职）Chap6_从数据看趋势长期趋势的分析方法——移动平均法权重的选择是一个应该注意的问题，经验法和试算法是选择权重的最简单的方法月份实际销售量移动移动平均预测值

1423—2358—3434—444540955274246429484742646285024479480465103844761142743612446425

428（高职）Chap6_从数据看趋势长期趋势的分析方法——移动平均法移动的项数越多，对原数列波动的曲线修匀得越光滑，也就越能显示出现象的长期发展趋势。移动的项数越多，首尾丢失的项数也就越多，进行趋势外推测时的误差也就越大移动项数的多少要依据现象发展的特点和统计分析的要求确定实际应用中，移动平均法主要用来有效的消除不规则变动和季节变动对原数列的影响移动平均采用奇数项移动能一次对准被移动数据的中间位置，若采用偶数项移动平均，一次移动平均后的数值将置于居中的两项数值之间（高职）Chap6_从数据看趋势长期趋势的分析方法——指数平滑指数平滑法是对过去的观测值加权平均进行预测，使第期的预测值等于期的实际观测值与第期指数平滑值的加权平均值一次指数平滑法预测模型（高职）Chap6_从数据看趋势长期趋势的分析方法——指数平滑平滑系数的取值对平滑效果影响很大，越小平滑效果越显著取值的大小决定了在平滑值中起作用的的观察值的项数的多少一般来说取值的大小应当视所预测对象的特点及预测期的长短而定（高职）Chap6_从数据看趋势长期趋势的分析方法——数学模型法数学模型法就是根据时间数列发展形态的特点，选择一种合适的数学方程式，进而以自变量x代表时间，y代表实际观测值，然后依据此方程式来分析长期趋势的方法数学模型有直线型和曲线型两种类型，而每一种类型又有很多种具体形式。因此，在建立模型之前首先要判断趋势的形态散点图法指标法（高职）Chap6_从数据看趋势季节周期性数据的分析方法季节模型指一时间序列在各年中所呈现出的典型状态，这种状态年复一年以基本相同的形态出现季节模型是由一套指数组成的，各指数刻画了现象在一个年度内各月或各季的典型特征12个月（或4个季度）指数的平均数应等于100%，而各月（或季）的指数之和应等于1200%（或400%）（高职）Chap6_从数据看趋势季节周期性数据的分析方法季节模型正是以各个指数的平均数等于100%为条件而构成的，它反映了某一月份或季度的数值占全年平均数的大小如果现象的发展没有季节变动，则各期的季节指数应等于100%如果某一月份或季度有明显的季节变化，则各期的季节指数应大于或小于100%（高职）Chap6_从数据看趋势季节周期性数据的分析方法采用季节指数法消除季节变动以外的三个因素同期平均法：现象不存在长期趋势或长期趋势不明显的情况下，一般是直接用平均的方法通过消除循环变动和不规则变动来测定季节变动移动平均趋势剔除法：现象具有明显的长期趋势时，一般是先消除长期趋势，然后再用平均的方法再消除循环变动和不规则变动（高职）Chap6_从数据看趋势季节周期性数据的分析——同期平均法“同期平均”就是在同季(月)内“平均”，而在不同季(月)之间“移动”的一种“移动平均”法“平均”是为了消除非季节因素的影响，而“移动”则是为了测定季节因素的影响程度步骤如下：第一，计算各年同季(月)的平均数第二，计算各年同季(或同月)平均数的平均数第三，计算季节比率（高职）Chap6_从数据看趋势季节周期性数据的分析——同期平均法同期平均法计算简单，易于理解但实际上，许多时间序列所包含的长期趋势和循环波动，很少能够通过平均予以消除只有当序列的长期趋势和循环波动不明显或影响不重要，可忽略不计时，应用该方法比较合适（高职）Chap6_从数据看趋势季节周期性数据的分析——移动平均长期趋势剔除法移动平均长期趋势剔除法是在现象具有明显长期趋势的情况下，测定季节变动的一种基本方法先从时间数列中将长期趋势剔除掉，然后再应用“同期平均法”剔除循环变动和不规则变动，最后通过计算季节比率来测定季节变动的程度剔除长期趋势的方法一般用移动平均法（高职）Chap6_从数据看趋势季节周期性数据的分析——移动平均长期趋势剔除法基本步骤如下：第一，先根据各年的季度（或月度）资料Y计算四季(或12个月)的移动平均数，然后为了“正位”，再对12月的移动平均值计算n=2的移动移动平均数，作为各期的长期趋势值T。第二，将实际数值Y除以相应的移动平均数T