什么是预测

　　之前一直尝试直接运用时间序列的一些现成方法的运用，导致自己缺乏对时间序列的一个通盘考虑，使得自己在解决相关问题时有很大的局限性。这篇博客将不会讨论任何具体的解决方法，而是致力于去从一个宏观的角度去理解。
　　预测，似乎是人类的一种本能，在过去的千年历史里，智慧的古人都有一种尝试去预测未来的冲动，虽然有的人预测成功了，有的人预测对了 。 但为什么一些人预测对了，而一些人却预测错了呢？我们可以笼统的把原因归为两类：　　

• 人的差异：每个人都有他擅长和不擅长的东西，如果让一个人去预测他不擅长的东西，显然加大了预测的难度。

• 预测问题的差异：每个要被预测的问题时不同的，这也就意味着不同的预测问题的难度是不同的。

这里我们略去人的差异，而专注于对预测问题本身差异的理解。

预测问题的产生

　　每个预测问题的产生都有它特定的背景，这造就了预测问题的多样性。例如

1. 预测5年后的能源需求
2. 预测汇率市场

在上述问题中，通常来讲我们认为第一个问题是比较容易预测的，而第三个则是比较困难的一个问题。事实上，一个问题预测的难度，往往取决于以下几个因素：

1. 我们对引起预测问题变化的因素的了解程度
2. 我们有多少历史数据
3. 我们的预测结果是否是影响我们要预测的问题的影响因素

现在我们反过来重新理解前面的两个例子。

• 我们通常可以比较精确的预测能源需求，因为上述的三个条件通常都是满足的。我们清楚能源的需求在很大程度上是由温度引起的，外加节日、经济等因素的影响，而且，我们有大量的关于电力，温度等的历史数据。至于第三个条件，通常是不满足。

• 而关于汇率预测，我们仅仅满足一个条件，那就是我们有大量历史数据，但我们另外两个条件是不满足的。

  　　因此，在预测问题上，我们通常要弄清楚哪些问题是可被精确预测的，哪些问题是不可预测的。一个好的预测会捕捉隐藏在历史数据中的重要特征，而不是简单的对过去进行重复。
  　　
  　　这里我们需要走出一个误区，即很多人错误的认为在一个变化的环境中，我们不能准确的进行预测。但问题是，每一个问题在还未发生之前都是未知的，没有任何一个问题预测时的环境跟历史上的环境是完全一样的，也就是说任何问题在进行预测时，都意味着它是在一个不停变化的环境里。当然这也就意味着，每一个预测的结果都是不确定的。

预测问题的确定

当我们在具体考虑一个预测问题的时候，我们需要考虑我们到底要预测什么。假设在一个工厂生产环境下，在确定预测时，我们需要以下问题：

• 我们是要为每个产品线，还是集团的所有产品做预测。

• 我们是要为每一个零售网点进行预测，还是对一个区域的所有网点进行预测，或者仅仅是全部销售额。

• 我们是要预测，每分，每时，每天，每季度，还是每月，每年的的数据

我们在考虑这些问题的时候，要综合考虑预测需求，以及历史数据等的因素。

预测方法的确定

　　在对问题进行预测，我们采用的方法在很大程度上取决于我们所拥有的数据。

• 如果没有数据，那么我们只能采用定性方法

• 如果我们有相关的历史数据，我们则可以采用定量方法

这里，我们略去定性方法，而专注于定量方法。定量方法包含了很多针对特定类型问题的方法，而每个具体方法都有它与众不同的特点。针对定量方法，数据包括两个两种：

• 时间序列数据： 即以特定时间间隔收集的数据。

• 横断面数据：即在单个时间采集的数据

横断面数据

基于横断面数据，我们希望通过已经已有的数据来预测我们不能直接得到值。例如

• 预测一个特定地区2011年的房价的预测。我们希望预测不在给定数据集中房子的房价，而我们能给定的信息包括：位置，房间数，房龄等信息。

这里，我把这类问题理解为分类或是回归的问题。

时间序列数据

时间序列数据是指伴随时间变化而变化的数据。例如

• IBM公司每天的股票价格

• 每个月的下雨量

• 亚马逊每个季度的销售额

• google每年的总利润

关于时间序列数据，有许多模型可以使用，例如arima.

预测的步骤

总结来说，针对一个问题进行预测，通常包括如下步骤：

1. 问题的确定
2. 收集相关数据
3. 探索性分析
   即使用包括均值，方差，相关系数，自相关等方法来对数据进行分析
4. 选择合适的模型
5. 评估和使用选定的模型