模型定阶
-
基于ARMA模型的线性时间序列分析与预测系统
本项目是基于MATLAB平台开发的平稳时间序列建模与预测平台，专门用于处理并分析具有线性波动特征的随机数据序列。系统的核心功能包括： 数据预处理与平稳性评估：通过单位根检验等统计手段判断原始序列的平稳性，并提供必要的平滑化处理功能。 模型识别与参数定阶：系统能够自动计算并绘制样本的自相关函数（ACF）和偏自相关函数（PACF）图谱，结合赤池信息准则（AIC）或贝叶斯信息准则（BIC）在搜索空间内自动筛选出最优的自回归阶数p和移动平均阶数q。 参数估计模块：采用极大似然估计或最小二乘法对ARMA模型的系数进 -
基于AIC准则的ARMA模型自动定阶系统
该项目旨在通过MATLAB编程实现对ARMA(p,q)模型阶数的自动化定阶。其核心逻辑是基于赤池信息准则（Akaike Information Criterion, AIC），通过建立一个候选阶数矩阵（通常设定自回归阶数p和移动平均阶数q的最大范围），遍历所有可能的阶数组合。程序首先对输入的时间序列数据进行平稳化预处理，包括趋势消除和差分处理，随后利用极大似然估计或条件最小二乘法为每一种阶数对拟合相应的ARMA模型，并精准计算对应的AIC值。AIC准则的核心在于通过引入罚项来平衡模型的拟合精度与参数数量， -
基于AR模型与BIC准则的油价时间序列预测
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。
