Matlab时间序列分析教程

% 股票价格预测实例

% 步骤1: 导入股票数据
% 假设你有一个名为stock_data.csv的CSV文件，包含两列：日期和股票价格。
data = readtable('stock_data.csv');
date = data.Date;
price = data.Price;

% 步骤2: 数据可视化
figure;
plot(date, price);
title('股票价格时间序列');
xlabel('日期');
ylabel('股票价格');

% 步骤3: 时间序列预处理
% 在这里，我们简单地移除趋势和季节性。
price_detrended = detrend(price);

% 步骤4: 建立时间序列模型
% 这里使用ARIMA模型，你可能需要根据实际情况选择合适的模型。
model = arima(3,1,2); % 选择ARIMA(3,1,2)模型

% 步骤5: 拟合模型
fit_model = estimate(model, price_detrended);

% 步骤6: 预测未来股票价格
forecast_horizon = 30; % 假设预测未来30天
[forecast_price, ~] = forecast(fit_model, forecast_horizon, 'Y0', price_detrended);

% 步骤7: 结果可视化
figure;
plot(date, price_detrended, 'b-', 'LineWidth', 2);
hold on;
plot(date(end):date(end)+forecast_horizon, forecast_price, 'r--', 'LineWidth', 2);
title('股票价格预测');
xlabel('日期');
ylabel('股票价格');
legend('历史价格', '预测价格');

% 气象数据分析实例

% 步骤1: 导入气象数据
data = readtable('weather_data.csv');
date = data.Date;
temperature = data.Temperature;
precipitation = data.Precipitation;

% 步骤2: 数据可视化
figure;
subplot(2,1,1);
plot(date, temperature, 'b-', 'LineWidth', 2);
title('气温时间序列');
xlabel('日期');
ylabel('气温');

subplot(2,1,2);
bar(date, precipitation, 'r');
title('降水量时间序列');
xlabel('日期');
ylabel('降水量');

% 步骤3: 时间序列预处理
% 在这里，我们可以平滑数据或进行其他预处理操作。
smoothed_temperature = smoothdata(temperature);

% 步骤4: 建立时间序列模型
% 这里使用简单的自回归模型，你可能需要根据实际情况选择合适的模型。
ar_model = arima('ARLags',1); % 自回归模型

% 步骤5: 拟合模型
fit_ar_model = estimate(ar_model, smoothed_temperature);

% 步骤6: 预测未来气温
forecast_horizon = 30; % 假设预测未来30天
[forecast_temperature, ~] = forecast(fit_ar_model, forecast_horizon, 'Y0', smoothed_temperature);

% 步骤7: 结果可视化
figure;
plot(date, smoothed_temperature, 'b-', 'LineWidth', 2);
hold on;
plot(date(end):date(end)+forecast_horizon, forecast_temperature, 'r--', 'LineWidth', 2);
title('气温预测');
xlabel('日期');
ylabel('气温');
legend('平滑后气温', '预测气温');

% 经济数据分析实例

% 步骤1: 导入经济数据
data = readtable('economic_data.csv');
date = data.Date;
gdp = data.GDP;
unemployment_rate = data.UnemploymentRate;

% 步骤2: 数据可视化
figure;
subplot(2,1,1);
plot(date, gdp, 'b-', 'LineWidth', 2);
title('GDP时间序列');
xlabel('日期');
ylabel('GDP');

subplot(2,1,2);
plot(date, unemployment_rate, 'r-', 'LineWidth', 2);
title('失业率时间序列');
xlabel('日期');
ylabel('失业率');

% 步骤3: 时间序列预处理
% 在这里，我们可以进行平滑、差分等预处理操作。
smoothed_gdp = smoothdata(gdp);
differenced_unemployment = diff(unemployment_rate);

% 步骤4: 建立时间序列模型
% 这里使用简单的ARIMA模型，你可能需要根据实际情况选择合适的模型。
arima_model = arima('ARLags', 1, 'D', 1); % ARIMA模型，带有差分

% 步骤5: 拟合模型
fit_arima_model = estimate(arima_model, [smoothed_gdp, differenced_unemployment]);

% 步骤6: 预测未来失业率
forecast_horizon = 30; % 假设预测未来30天
[forecast_unemployment, ~] = forecast(fit_arima_model, forecast_horizon, 'Y0', [smoothed_gdp(end), differenced_unemployment(end)]);

% 步骤7: 结果可视化
figure;
subplot(2,1,1);
plot(date, smoothed_gdp, 'b-', 'LineWidth', 2);
title('平滑后GDP');
xlabel('日期');
ylabel('GDP');

subplot(2,1,2);
plot(date, [unemployment_rate; NaN(forecast_horizon, 1)], 'r-', 'LineWidth', 2);
hold on;
plot(date(end)+1:date(end)+forecast_horizon, forecast_unemployment, 'g--', 'LineWidth', 2);
title('失业率预测');
xlabel('日期');
ylabel('失业率');
legend('实际失业率', '预测失业率');