基于AR模型与BIC准则的油价时间序列预测

资 源 简 介

本项目基于MATLAB环境开发，旨在利用时间序列分析中的自回归（AR）方法对国际原油价格波动进行深入分析与趋势预测。系统首先对输入的油价历史数据进行预处理，包括平稳性检验（如ADF检验）和必要的差分处理，以满足AR模型的建模前提。在模型定阶的关键步骤中，采用贝叶斯信息准则（BIC）作为评判标准，通过遍历计算不同滞后阶数下的BIC值并选取最小值，自动确定AR模型的最优阶数，从而在模型拟合优度与复杂度之间取得最佳平衡。确立模型结构后，利用最小二乘法（Least Squares Method）对模型参数进行精确估计，构建最终的预测方程。项目具备样本内拟合与样本外预测功能，能够输出未来特定时段的油价预测值，并提供残差分析（如白噪声检验）以及误差评估指标（如均方误差MSE、平均绝对百分比误差MAPE），通过可视化图表直观展示原始数据、拟合曲线及预测结果的对比。

详 情 说 明

基于AR模型与BIC准则的油价时间序列预测系统

项目简介

本项目是一个基于MATLAB环境开发的自动化时间序列分析与预测系统。旨在通过自回归（AR）模型对国际原油价格波动进行模拟、分析与趋势预测。系统集成了从数据生成、平稳性检验、模型定阶、参数估计到最终预测与评估的全流程功能。其核心特点在于利用贝叶斯信息准则（BIC）自动确定模型的最优阶数，并采用最小二乘法（OLS）进行参数估计，能够在保证模型简洁性的同时实现精确的预测。

功能特性

• 模拟数据生成：内置数据模拟器，能够生成包含线性趋势、周期波动和随机噪声的非平稳油价模拟数据，便于算法验证。
• 自动平稳性处理：具备自动差分逻辑，结合ADF检验（或启发式统计检验）自动将非平稳序列转化为平稳序列，最高支持二阶差分。
• 智能模型定阶：基于BIC（Bayesian Information Criterion）准则，在指定范围内（1-15阶）自动搜索并选取最优AR模型 lag 阶数。
• 鲁棒的参数估计：不依赖黑盒工具箱，底层实现基于OLS（普通最小二乘法）的参数估计算法。
• 动态滚动预测：支持样本外（Out-of-sample）迭代步进预测，能够利用前一步的预测值作为输入预测下一步。
• 综合误差评估：自动计算均方误差 (MSE)、平均绝对误差 (MAE)、平均绝对百分比误差 (MAPE) 及残差方差。
• 多维可视化分析：生成包含原始数据趋势、BIC定阶曲线、拟合/预测对比图及残差分布分析的综合图表。

系统要求

• MATLAB：任意较新版本。
• 工具箱：

* 推荐安装 Econometrics Toolbox（用于标准的 adftest）。 * 若未安装工具箱：系统内置了基于均值/方差分段统计特性的备用平稳性检验逻辑，确保代码在无工具箱环境下依然可以运行。

使用方法

直接运行 main 函数即可启动全流程分析。程序将自动执行以下步骤并在控制台输出分析日志，最后弹出综合结果图表。

详细功能与实现逻辑分析

本项目主要包含以下核心处理模块，逻辑严格对应代码实现：

1. 数据模拟与分割

• 代码首先设定随机种子 rng(42) 以确保结果可复现。
• 构建模拟油价序列：由线性趋势项（0.05*t）、正弦周期项（cycle）以及累积随机游走噪声（cumsum）叠加而成，模拟真实的非平稳油价数据。
• 数据集划分为 训练集（前470个样本）和 测试集/预测集（后30个样本，作为未来验证真值）。

2. 平稳性检验与数据预处理

• 采用 while 循环结构，依次对原始序列、一阶差分序列、二阶差分序列进行平稳性检验。
• 检验逻辑：优先调用 adftest 函数。如果检测到环境缺失该函数，则自动切换至内置的启发式逻辑（比较序列前后半段的均值漂移是否超过3倍标准差）。
• 一旦数据通过检验或达到最大差分次数（2次），循环终止，输出用于建模的平稳序列。

3. 基于BIC准则的模型定阶

• 系统在 1 到 15 的范围内遍历可能的滞后阶数 p。
• 对每一个 p，使用OLS训练对应的AR模型并计算残差。
• BIC计算公式：代码中显式实现了公式 BIC = n * ln(MSE) + k * ln(n)，其中 n 为有效样本数，k 为参数数量（p + 截距项）。
• 系统通过比较所有候选模型的BIC值，自动选择BIC最小的 p 值作为最优阶数 best_p。

4. 模型训练与参数估计

• 核心算法：train_ar_ols 子函数手动构建了设计矩阵 X 和响应向量 Y。
• 矩阵求解：利用MATLAB的左除运算符 ` 求解线性方程组 beta = (X'X)^(-1) X'Y，相比直接求逆矩阵具有更高的数值稳定性。
• 模型包含截距项（Bias）。
• 样本内拟合还原：利用 restore_diff 函数，将模型在差分域上的拟合值结合原始数据的滞后项，还原为原始量纲的价格，用于可视化对比。

5. 样本外预测 (Forecasting)

• 迭代机制：采用步进（Step-by-step）预测策略。
• 特征构造：在每一步预测中，提取历史数据序列末尾的 best_p 个数据构成特征向量 [1; lag_features]。
• 动态更新：计算出的当前步预测值（差分域）会立即加入到历史数据队列中，用于辅助生成下一步的预测（即利用预测出的 t 时刻数据去预测 t+1 时刻）。
• 预测还原：通过 restore_diff_forecast 函数，利用训练集末尾的真实值作为基准，将预测出的差分序列累加还原为绝对价格序列。

6. 误差分析与可视化

• 指标计算：系统基于还原后的预测值与真实测试集数据，计算 MSE, MAE, MAPE。同时计算残差序列的方差。
• 图表展示：

1. 原始序列图：展示全量数据及训练/测试分割线。 2. BIC定阶图：绘制BIC值随阶数 p 变化的曲线，并高亮标记最小值点。 3. 预测结果对比：在同一坐标系下展示训练集真值、样本内拟合曲线、测试集真值以及模型预测曲线。 4. 残差分析：双轴图表，左轴展示残差波动序列，右轴展示残差的直方图分布，用于判断残差是否接近白噪声。

关键子函数说明

• train_ar_ols(data, p)：核心求解器。接收时间序列和阶数，构建自回归矩阵，利用普通最小二乘法返回回归系数 beta、残差和拟合值。
• check_stationarity(x)：平稳性检测器。封装了 try-catch 结构，确保在无工具箱情况下的兼容性。
• restore_diff(...)：样本内还原器。处理差分数据的逆运算，特别处理了一阶和二阶差分的基准值回溯逻辑。
• restore_diff_forecast(...)`：预测还原器。专门用于处理未来时间步的差分还原，依据差分阶数（d=1或d=2），利用训练集末尾点作为初始状态进行累积求和。