注：转载出处： http://blog.csdn.net/ztf312/
spa
在此感谢原博主的整理分享!.net
题目：下列时间序列模型中,哪个模型能够较好地拟合波动性的分析和预测？blog
AR模型基础
MA模型变量
ARMA模型方法
GARCH模型（正确）
技术
---------------------------------------------------------------------------------------------------------------
数据
时间序列中经常使用预测技术 一个时间序列是一组对于某一变量连续时间点或连续时段上的观测值。
分享
1. 移动平均法 (MA)
移动
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，便可获得一次移动平均数.
1.2 趋势移动平均法
当时间序列没有明显的趋势变更时，使用一次移动平均就可以准确地反映实际状况，直接用第t周期的一次移动平均数就可预测第t+1周期之值。
时间序列出现线性变更趋势时，用一次移动平均数来预测就会出现滞后误差。修正的方法是在一次移动平均的基础上再作二次移动平均，利用移动平均滞后误差的规律找出曲线的发展方向和发展趋势，而后才创建直线趋势的预测模型。故称为趋势移动平均法。
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）.
本质相似于插值，其目的都是为了增长有效数据，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，因此AR模型要比插值方法效果更好。
3. 自回归滑动平均模型(ARMA)
其建模思想可归纳为：逐渐增长模型的阶数，拟合较高阶模型，直到再增长模型的阶数而剩余残差方差再也不显著减少为止。
4. GARCH模型
回归模型。除去和普通回归模型相同的之处，GARCH对偏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。
4. 指数平滑法
移动平均法的预测值实质上是之前观测值的加权和，且对不一样时期的数据给予相同的加权。这每每不符合实际状况。
指数平滑法则对移动平均法进行了改进和发展，其应用较为普遍。
基本思想都是：预测值是之前观测值的加权和，且对不一样的数据给予不一样的权，新数据给较大的权，旧数据给较小的权。
根据平滑次数不一样，指数平滑法分为：一次指数平滑法、二次指数平滑法和三次指数平滑法等。