时间序列是指在时间上相互跟随的一系列观测值,其中相邻的观测值相互关联。这可以用于对系统的行为进行建模、模拟和预测。时间序列模型常用于经济学、金融学、生物学和工程学等领域。 Wolfram语言提供了一整套时间序列功能,包括MA、AR和ARMA等标准模型以及一些扩展。时间序列模型可以进行模拟,根据数据进行估计,并用于预测未来的行为。
时间序列模型拟合 —将时间序列过程模型自动拟合到数据
基本ARMA过程
MAP过程 —移动平均过程(标量和矢量)
ARP进程 —自回归过程(标量和矢量)
ARMA过程 —自回归移动平均过程(标量和矢量)
综合和季节性ARMA过程
SARIMA流程 —多项式和周期趋势的季节积分ARMA
ARIM过程 ▪ SARMAP过程 ▪ FARIMA流程
GARCH流程
ARCH过程 —自回归条件异方差过程
GARCH过程 —广义ARCH过程
随机函数 —模拟时间序列过程
估计流程 —时间序列过程中的参数估计
时间序列预测 —预测时间序列过程中的未来值
卡尔曼滤波器 —基于时间序列模型过滤数据
时间数据 —时间序列数据
查找进程参数 ▪ 调整时间序列预测
协方差函数 ▪ 相关函数 ▪ 绝对相关函数 ▪ 部分相关函数 ▪ 功率谱密度
模型属性和表示
弱静态性 —时间序列模型弱平稳的条件
时间序列可逆性 —时间序列模型可逆的条件
到可逆时间序列 —给出了时间序列的可逆表示
单位根测试 —测试时间序列数据是否平稳
自相关测试 —测试时间序列数据是否自相关
差异 —数据去趋势化和去季节化
移动平均线 —移动平均滤波