因素分解模型遇到的问题(2) 有些社会现象和经济现象显示出某些特殊日期是一个很显著的影响因素， 但是在传统因素分解模型中，它却没有被纳入研究。 比如研究股票交易序列，成交量、开盘价、收盘价会明显受到交易日的影响， 同一只股票每周一和每周五的波动情况可能有显著的不同。 超市销售情况更是明显受到特殊日期的影响，工作日、周末、重大假日的销 售特征相差很大。 春节、端午节、中秋节、儿童节、圣诞节等不同的节日对零售业、旅游业、 运输业等很多行业都有显著影响
因素分解模型遇到的问题（2） 有些社会现象和经济现象显示出某些特殊日期是一个很显著的影响因素， 但是在传统因素分解模型中，它却没有被纳入研究。 比如研究股票交易序列，成交量、开盘价、收盘价会明显受到交易日的影响， 同一只股票每周一和每周五的波动情况可能有显著的不同。 超市销售情况更是明显受到特殊日期的影响，工作日、周末、重大假日的销 售特征相差很大。 春节、端午节、中秋节、儿童节、圣诞节等不同的节日对零售业、旅游业、 运输业等很多行业都有显著影响
因素分解改进模型 如果观察时期不是足够长，人们将循环因素(Circle)改为特殊交易日因素(Day）。 新的四大因素为：趋势(T),季节(S),交易日(D)和随机波动(I)。 加法模型： x,=T,+S,+D,+I, 乘法模型： x=T'S D I 伪加法模型： x,=T,'(S,+D,+I,-1) 对数加法模型： log x,log T log S,+log D,+log I
因素分解改进模型 如果观察时期不是足够长，人们将循环因素（Circle）改为特殊交易日因素（Day）。 新的四大因素为：趋势（T），季节（S），交易日（D）和随机波动（I）。 加法模型： 乘法模型： 伪加法模型： 对数加法模型：
确定性时序分析的目的 我们基于因素分解的思想进行确定性时序分析的目的主要包括以下两个方面： 一是克服其他因素的干扰，单纯测度出某个确定性因素（诸如季节、趋势、交 易日)对序列的影响。 二是根据序列呈现的确定性特征选择适当的方法对序列进行综合预测
确定性时序分析的目的 我们基于因素分解的思想进行确定性时序分析的目的主要包括以下两个方面： 一是克服其他因素的干扰，单纯测度出某个确定性因素 （诸如季节、趋势、交 易日）对序列的影响。 二是根据序列呈现的确定性特征选择适当的方法对序列进行综合预测
本章内容 01 因素分解理论 02 因素分解模型
本章内容 01 因素分解理论 02 因素分解模型 05 04 03
因素分解模型的选择：加法模型 例1：考察1981一1990年澳大利亚政府季度消费支出序列的确定性影响因素，并 选择因素分解模型。 从右图中可以看到，该序列具有明显的线性递增 gov_cons 趋势，以及以年为周期的季节效应，没有看到大 13000 的经济周期循环特征，也没有交易日的信息，所 12000 以可以确定这个序列受到三个因素的影响：长期 11000 趋势、季节效应和随机波动。 10000 时序图显示，随着趋势的递增，每个季节的振幅 9000 M0MA561m 维持相对稳定（如右图中的虚线所示，周期波 动范围近似平行)，这说明季节效应没有受到趋 800 80Q1 82Q1 84Q1 86Q188Q1 90Q192Q1 势的影响，这时通常选择加法模型 time x,=T,十S,十I
因素分解模型的选择：加法模型 例1：考察1981—1990年澳大利亚政府季度消费支出序列的确定性影响因素，并 选择因素分解模型。 从右图中可以看到，该序列具有明显的线性递增 趋势，以及以年为周期的季节效应，没有看到大 的经济周期循环特征，也没有交易日的信息，所 以可以确定这个序列受到三个因素的影响：长期 趋势、季节效应和随机波动。 时序图显示，随着趋势的递增，每个季节的振幅 维持相对稳定 （如右图中的虚线所示，周期波 动范围近似平行），这说明季节效应没有受到趋 势的影响，这时通常选择加法模型