Holt 线性趋势模型,指数趋势模型和阻尼形式
2018-03-24 22:20
246 查看
1 Holt线性趋势模型
Holt 在1957年把简单的指数平滑模型进行了延伸,能够预测包含趋势的数据,该方法包含一个预测方程和两个平滑方程(一个用于水平,另一个用于趋势):
Forecast equationLevel equationTrend equationy^t+h|tℓtbt=ℓt+hbt=αyt+(1−α)(ℓt−1+bt−1)=β∗(ℓt−ℓt−1)+(1−β∗)bt−1Forecast equationy^t+h|t=ℓt+hbtLevel equationℓt=αyt+(1−α)(ℓt−1+bt−1)Trend equationbt=β∗(ℓt−ℓt−1)+(1−β∗)bt−1
其中ltlt代表时刻t的预估水平,btbt代表时刻t的预测趋势(或坡度),αα是水平的平滑参数,β∗β∗是趋势的平滑参数。
这时候,预测函数不再是平的,而是具有趋势的。
2 指数趋势模型
另外一种Holt 线性模型的变体是指数趋势模型,这时水平和趋势不是相加的,而是相乘的。
y^t+h|tℓtbt=ℓtbht=αyt+(1−α)(ℓt−1bt−1)=β∗ℓtℓt−1+(1−β∗)bt−1y^t+h|t=ℓtbthℓt=αyt+(1−α)(ℓt−1bt−1)bt=β∗ℓtℓt−1+(1−β∗)bt−1
其中btbt代表预估的增长率(以相对的形式而不是绝对的形式)。这时候的趋势不是线性的,而是指数的。
3 阻尼趋势模型
经验表明,Holt的线性模型和指数模型倾向于对未来预测值过高,特别是对于长期预测。Gardner 和 McKenzie (1985)引入了一种阻尼效应,倾向于在未来保持一个水平的线。包含阻尼的趋势被证明是一种非常有效的预测方法。
除了Holt的方法中的αα和β∗β∗,该方法还包含阻尼参数0<ϕ<10<ϕ<1:
y^t+h|tℓtbt=ℓt+(ϕ+ϕ2+⋯+ϕh)bt=αyt+(1−α)(ℓt−1+ϕbt−1)=β∗(ℓt−ℓt−1)+(1−β∗)ϕbt−1.y^t+h|t=ℓt+(ϕ+ϕ2+⋯+ϕh)btℓt=αyt+(1−α)(ℓt−1+ϕbt−1)bt=β∗(ℓt−ℓt−1)+(1−β∗)ϕbt−1.
如果ϕ=1ϕ=1,这种方法与Holt的线性模型相同。对于在0到1的值,ϕϕ对趋势产生阻尼效应。实际上, 当h→∞h→∞时对于任何的0<ϕ<10<ϕ<1预测值收敛于lT+ϕbT/(1−ϕ)lT+ϕbT/(1−ϕ)。
误差校正形式是:
ℓtbt=ℓt−1+ϕbt−1+αet=ϕbt−1+αβ∗et.ℓt=ℓt−1+ϕbt−1+αetbt=ϕbt−1+αβ∗et.
4. 乘法阻尼趋势
Taylor(2003)引入了一种阻尼参数,建立了乘法阻尼趋势模型:
y^t+h|tℓtbt=ℓtb(ϕ+ϕ2+⋯+ϕh)t=αyt+(1−α)ℓt−1bϕt−1=β∗ℓtℓt−1+(1−β∗)bϕt−1.y^t+h|t=ℓtbt(ϕ+ϕ2+⋯+ϕh)ℓt=αyt+(1−α)ℓt−1bt−1ϕbt=β∗ℓtℓt−1+(1−β∗)bt−1ϕ.
这种方法的预测结果不像加法阻尼那么保守,误差校正形式是:
ℓtbt=ℓt−1bϕt−1+αet=bϕt−1+αβ∗etℓt−1.ℓt=ℓt−1bt−1ϕ+αetbt=bt−1ϕ+αβ∗etℓt−1.
Holt 在1957年把简单的指数平滑模型进行了延伸,能够预测包含趋势的数据,该方法包含一个预测方程和两个平滑方程(一个用于水平,另一个用于趋势):
Forecast equationLevel equationTrend equationy^t+h|tℓtbt=ℓt+hbt=αyt+(1−α)(ℓt−1+bt−1)=β∗(ℓt−ℓt−1)+(1−β∗)bt−1Forecast equationy^t+h|t=ℓt+hbtLevel equationℓt=αyt+(1−α)(ℓt−1+bt−1)Trend equationbt=β∗(ℓt−ℓt−1)+(1−β∗)bt−1
其中ltlt代表时刻t的预估水平,btbt代表时刻t的预测趋势(或坡度),αα是水平的平滑参数,β∗β∗是趋势的平滑参数。
这时候,预测函数不再是平的,而是具有趋势的。
2 指数趋势模型
另外一种Holt 线性模型的变体是指数趋势模型,这时水平和趋势不是相加的,而是相乘的。
y^t+h|tℓtbt=ℓtbht=αyt+(1−α)(ℓt−1bt−1)=β∗ℓtℓt−1+(1−β∗)bt−1y^t+h|t=ℓtbthℓt=αyt+(1−α)(ℓt−1bt−1)bt=β∗ℓtℓt−1+(1−β∗)bt−1
其中btbt代表预估的增长率(以相对的形式而不是绝对的形式)。这时候的趋势不是线性的,而是指数的。
3 阻尼趋势模型
经验表明,Holt的线性模型和指数模型倾向于对未来预测值过高,特别是对于长期预测。Gardner 和 McKenzie (1985)引入了一种阻尼效应,倾向于在未来保持一个水平的线。包含阻尼的趋势被证明是一种非常有效的预测方法。
除了Holt的方法中的αα和β∗β∗,该方法还包含阻尼参数0<ϕ<10<ϕ<1:
y^t+h|tℓtbt=ℓt+(ϕ+ϕ2+⋯+ϕh)bt=αyt+(1−α)(ℓt−1+ϕbt−1)=β∗(ℓt−ℓt−1)+(1−β∗)ϕbt−1.y^t+h|t=ℓt+(ϕ+ϕ2+⋯+ϕh)btℓt=αyt+(1−α)(ℓt−1+ϕbt−1)bt=β∗(ℓt−ℓt−1)+(1−β∗)ϕbt−1.
如果ϕ=1ϕ=1,这种方法与Holt的线性模型相同。对于在0到1的值,ϕϕ对趋势产生阻尼效应。实际上, 当h→∞h→∞时对于任何的0<ϕ<10<ϕ<1预测值收敛于lT+ϕbT/(1−ϕ)lT+ϕbT/(1−ϕ)。
误差校正形式是:
ℓtbt=ℓt−1+ϕbt−1+αet=ϕbt−1+αβ∗et.ℓt=ℓt−1+ϕbt−1+αetbt=ϕbt−1+αβ∗et.
4. 乘法阻尼趋势
Taylor(2003)引入了一种阻尼参数,建立了乘法阻尼趋势模型:
y^t+h|tℓtbt=ℓtb(ϕ+ϕ2+⋯+ϕh)t=αyt+(1−α)ℓt−1bϕt−1=β∗ℓtℓt−1+(1−β∗)bϕt−1.y^t+h|t=ℓtbt(ϕ+ϕ2+⋯+ϕh)ℓt=αyt+(1−α)ℓt−1bt−1ϕbt=β∗ℓtℓt−1+(1−β∗)bt−1ϕ.
这种方法的预测结果不像加法阻尼那么保守,误差校正形式是:
ℓtbt=ℓt−1bϕt−1+αet=bϕt−1+αβ∗etℓt−1.ℓt=ℓt−1bt−1ϕ+αetbt=bt−1ϕ+αβ∗etℓt−1.
相关文章推荐
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- Holt 线性趋势模型,指数趋势模型和阻尼形式
- 广义线性模型与指数分布族
- 文华财经-DMI趋势模型-螺纹指数
- 从指数分布族去推导出广义线性模型
- 机器学习笔记(2)线性模型的基本形式
- 小白学习机器学习---第三章:线性模型(3):线性判别分析
- 线性模型——异方差、序列相关、多重共线性与内生性的处理
- 广义线性模型
- tensorflow线性模型以及Wide deep learning
- 线性模型(linear model)