根据过去的变化趋势利用统计学方式预测未来，通常符合事物发展的规律；

在考虑发展趋势的同时，注重季节性和周期性变化对具体时间点的影响，更加准确；

承认随机变量可能对最终结果造成的影响。

仅使用时间作为分析因子，未考虑其他因素的影响；

仅按照历史数据进行预测，未考虑市场变化的可能性。

时间序列即一列均匀分布(每周、每月、每季等等)的数据点。分析时间序列意味着将过去数据分成几部分然后用之于外推。CMA为你举例，一个典型的时间序列可分成四个部分：趋势、季节、周期和随机波动。

1．趋势是数据在一段时间的逐渐向上或向下的移动。

2．季节是数据自身经过一定周期的天数，周数，月数或季数(此即季节性叫法由来，即季节分为秋、冬、春、夏)不断重复的性。

3．周期为数据每隔几年重复发生的时间序列形式。它们一般与经济周期有关，并对短期经营分析与计划起重要作用。

4．随机波动是由偶然、非经常性原因引起的数据变动。它们没有可识别的形式。

统计学上，时间序列有两种一般形式：乘法模式和加法模式。使用得最广泛的是乘法模式。该模式假定需求是四各成分的乘积：需求=趋势*季节*周期*随机波动。另一形式是加法模式，即这四各成分相加：需求=趋势+季节+周期+随机波动。在大多数实际模型中，预测者假定随机波动平均后可不考虑其影响。他们主要注意季节成分及趋势和周期相结合的成分。

时间序列分析力求以历史数据为基础预测未来。比如，由过去六星期中每一星期的销售量可以预测第七个星期的销售量。过去几年内每季度的销售量也可用于预测未来各季度的销售情况。

时间序列分析包括很多模型，如：朴素法、移动平均法、指数平滑法、趋势外推法等。各模型的复杂程度是不相同的。企业选用哪一种预测模型取决于：

1．预测的时间范围;

2．能否获得相关数据;

3．所需的预测精度;

4．预测预算的规模;

4．合格的预测人员。

了解更多会计考试资讯、知识点，可以点击查看高顿教育