Take home assignment 1
ACF (autocorrelation function)
什么是自相关？自相关函数在时间序列分析中出现。
作用：识别时间序列的依赖性：检测数据是否具有趋势或周期性
辨别：值，越接近 1，说明高度正相关，趋近于-1，则是高度负相关（可能呈现周期性波动），越接近于 0，说明几乎不相关。
解读：Lag =1 的时候，AC = 0.941，说明与前一期高度正相关。
Q-stat，用来检查是否有白噪声（是否有自相关），prob=0，说明数据整体上高度自相关，并不是白噪声。
Exponential Smoothing (ESM)
Moving Averages 这个方法虽然好，但是缺点也很明显：
会存在几期（根据你选择范围不同而产生的）空白值（因为你移动了数据），所以需要引入指数平滑法。它的核心思想非常直接：新的数据肯定比旧的数据更加重要，所以他们的权重理应更高。公式的一般形式：
越大，说明新数据的影响更大，预测会更加敏感。
Todo：怎么选择合适的 alpha？
Holt’s two parameter
Holt 的方法主要有两个平滑方程：
- 水平（level）方程：估计当前时间点的值
- 趋势方程：用于估计增长或者下降的速度
如何评估预测方法的好坏
Sample code:
series error2 = public_finance_fiscal_reserve - MA_FC2
scalar MSE2 = @mean(error2 * 2)
scalar MAE2 = @mean(@abs(error2))
scalar MAPE2 = @mean(@abs(error2)/public_finance_fiscal_reserve)
/// 这个方法会报错：series divided by series，具体解决办法可以看POE里的方案
核心：选择预测方案——评估方案——确定预测方案——预测 out of Sample 值 2024