机器学习3

1 移动平均法

1.1 简单移动平均法

      设有一时间序列y1,y2,..., 则按数据点的顺序逐点推移求出N个数的平均数，即可得到一次移动平均数.     

1.2  趋势移动平均法

   当时间序列没有明显的趋势变动时，使用一次移动平局就能够准确地反应实际情况，直接用第t周期的一次移动平均数，来预测第t+1周期的值。时间序列出现线性变动的趋势时候，用一次移动平均数来预测就会出现之后偏差。修正的方法是在一次移动平均数的基础上做二次移动平局，利用移动品均之后偏差的规律找出曲线的发展和发展趋势。然后才锦鲤直线趋势预测模型。

 

2 自回归模型（AR）

AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据（设推出P点）.

本质类似于插值，其目的都是为了增加有效数据，只是AR模型是由N点递推，而插值是由两点（或少数几点）去推导多点，所以AR模型要比插值方法效果更好。

3 自回归滑动平均模型(ARMA)

逐渐增加模型的阶数，拟合较高阶模型，直到再增加模型的阶数而剩余残差方差不再显著减小为止。

4 GARCH模型

回归模型。除去和普通回归模型相同的之处，GARCH对误差的方差进行了进一步的建模。特别适用于波动性的分析和预测。

5 指数平滑法

移动平均法的预测值是指上是以前预测值的加权法，且对不同时间的数据给予了相同的加权。

基本思想都是：预测值是以前观测值的加权和，且对不同的数据给予不同的权，新数据给较大的权，旧数据给较小的权。