作者 | arit Maitra

编译 | 1 1=6

来源 | 量化投资与机器学习（ID:Lhtz_Jqxx）

0 前言

时间序列由四个主要成分组成: 季节变化、趋势变化、周期变化和随机变化。在今天的推文中，我们将使用状态空间模型对单变量时间序列数据进行预测分析。该模型具有连续的隐状态和观测状态。

1 状态空间模型

基于状态空间模型对问题进行了结构分析。该系列是由不同的组成部分，如趋势、季节、周期、变化以及解释变量和干预分别建模，然后放在状态空间模型中。

数据基于1986年以来的Schlumberger Limited历史数据。

在这里，为了方便计算，我采用了月（12个月）频率，你也可以尝试天（252天/年）的频率。

下面由密度和正态 QQ 图组成的分布图清楚地显示了数据分布的非正态性。