使用 arima 和非线性趋势以及过多残差进行时间序列预测

数据挖掘 时间序列
2022-03-04 18:10:28

我正在预测财务指数,我尝试使用以下方法分解时间序列:

from matplotlib import pyplot
from statsmodels.tsa.seasonal import seasonal_decompose
result = seasonal_decompose(dataset, model='multiplicative', freq=12)
result.plot()
pyplot.show()

我得到了以下结果:

分解

结果表明,时间序列不是平稳的,它有一个单位根(我使用了 ADF 和 KPSS 测试),并且均值和标准差在时间上是恒定的!

我想知道我是否应该使用 ARIMA 或 SARIMA,因为它们适应了线性趋势(我的趋势不是如图所示的线性)还是转向使用 LSTM、NN ...?或者甚至 ARIMA 或 SARIMA 都不适应这种类型的时间序列?

1个回答

鉴于您拥有大约 9 年的历史数据,长短期记忆 (LSTM) 是一种选择。

您可以采用模型比较方法,在其中拆分数据并查看哪种算法最适合预测保留数据。