关于利用R

我们每个月要拟合大约2000个或更多的时间序列， 它们具有非常特殊的行为，一些是arma/arima，一些是ewma，一些是arch/garch，有或没有季节性和/或趋势（唯一的共同点是时间序列方面）

理论上，人们可以用aic或bic标准建立集成模型，以选择最适合的模型，但社区是否知道有任何图书馆试图解决这个问题

谷歌让我意识到了以下由Rob J Hyndman撰写的文章

---

但他们还有其他选择吗

中有两种自动方法：

auto.arima（）

将使用arima模型处理自动建模，以及

ets（）

将自动从指数平滑系列中选择最佳模型（包括适当的趋势和季节性）。AIC在这两种情况下都用于模型选择。不过，两者都不处理ARCH/GARCH模型。本JSS文章对该包进行了详细描述：

关于你的问题：

什么时候可以使用 预测包功能，尤其是 ets功能，具有高维 数据（例如，每周数据）

---

可能明年初吧。这篇论文已经写好了（见robjhyndman.com/working papers/complex季节性），我们现在正在编写代码

感谢用户，我尝试过预测软件包，它也是arima和ets的组合，但没有得到aic或bic（sbc）的太多好评，因此我现在尝试将每个时间序列处理为自己的svm（支持向量机）因为它具有更好的泛化适应性，并且能够添加除滞后和非线性核函数之外的其他变量

---

有任何预感吗？

指向我的预测包的链接不正确。这应该是道歉，所以更正，感谢你写的包BTWY你不能比较来自ARIMA和ETS的AIC，因为他们是基于不同的数据集，由于差异。此外，我还没有看到支持向量机是一种很好的通用时间序列预测算法的证据。例如，预测M-竞争表明，非线性数据挖掘方法在大型单变量时间序列数据集上的性能往往比线性统计模型差。关于这方面的文献很多。我建议您先阅读与M3竞赛相关的论文，然后再尝试提出自己未经测试的方法。Rob：看起来auto.arima（）只适用于ts对象。是否考虑允许其接受其他不规则时间序列（例如，使用动物园）？作为quantmod包的一个简单示例：{getSymbols（“GS”）；auto.arima（As.zoo（GS[，'GS.Close']））}不，不规则间隔数据的arima模型非常复杂。基本上，你需要拟合一个连续时间的ARMA（见Brockwell等人的论文），这是一个与离散时间模型截然不同的模型。