第一章：ARIMA模型与时间序列平稳性概述
在时间序列分析中，ARIMA（AutoRegressive Integrated Moving Average）模型是预测未来值的重要工具，广泛应用于金融、气象、销售等领域。该模型结合了自回归（AR）、差分（I）和移动平均（MA）三个部分，能够有效处理非平稳时间序列数据。
ARIMA模型的基本构成
ARIMA(p, d, q) 模型由三个参数决定：
- p：自回归项的阶数，表示当前值依赖于前p个历史值
- d：差分次数，用于将原始序列转换为平稳序列
- q：移动平均项的阶数，表示当前误差依赖于前q个误差项
时间序列的平稳性
平稳性是应用ARIMA模型的前提条件。一个平稳的时间序列需满足均值、方差和自协方差不随时间变化。常见的检验方法包括：
- 观察时序图判断趋势与波动
- 使用单位根检验（如ADF检验）进行统计验证
| 检验方法 | 原假设 | 显著性表现 |
|---|
| ADF检验 | 序列存在单位根（非平稳） | p值小于0.05则拒绝原假设，认为平稳 |
差分操作示例
当序列非平稳时，需通过差分使其平稳。以下为Python中的一阶差分实现：
import pandas as pd
# 假设data是时间序列数据
data_diff = data.diff().dropna() # 一阶差分并移除缺失值
# 输出差分后结果
print(data_diff.head())
# ADF检验
from statsmodels.tsa.stattools import adfuller
result = adfuller(data_diff)
print(f'ADF Statistic: {result[0]}')
print(f'p-value: {result[1]}')
graph LR
A[原始时间序列] --> B{是否平稳?}
B -- 否 --> C[进行差分]
C --> D[再次检验平稳性]
D --> B
B -- 是 --> E[拟合ARIMA模型]
第二章：时间序列数据的初步探索与诊断
2.1 平稳性的定义与三要素解析
在时间序列分析中，平稳性是建模的基础前提。一个平稳序列的统计特性不随时间变化而改变，其核心体现在三个要素：均值恒定、方差不变和协方差仅与时间间隔相关。
平稳性的三要素
- 均值恒定：任意时刻的期望值保持一致，即 $E[X_t] = \mu$ 对所有 $t$ 成立；
- 方差不变：序列波动幅度稳定，$\text{Var}(X_t) = \sigma^2$ 不随时间改变；
- 自协方差仅依赖于滞后：$\text{Cov}(X_t, X_{t-k})$ 只与时间差 $k$ 有关。
代码示例：生成平稳序列
import numpy as np
np.random.seed(42)
# 生成白噪声序列（典型平稳序列）
stationary_series = np.random.normal(loc=0.0, scale=1.0, size=1000)
该代码生成均值为0、标准差为1的高斯白噪声序列。其均值与方差长期稳定，且不同时间点间的协方差为零（仅当滞后为0时非零），满足严平稳条件，常用于基准测试。
2.2 时序图可视化识别趋势与季节性
时序图是分析时间序列数据的基础工具，能够直观展现数据随时间变化的趋势与周期性模式。通过观察折线图中的长期上升或下降方向，可识别**趋势成分**；而规律性重复的波峰波谷则暗示着**季节性特征**。
常用可视化方法
- 折线图：展示原始数据走势
- 分解图：将时间序列拆解为趋势、季节性和残差三部分
Python 示例代码
from statsmodels.tsa.seasonal import seasonal_decompose
import matplotlib.pyplot as plt
result = seasonal_decompose(series, model='additive', period=12)
result.plot()
plt.show()
该代码使用
seasonal_decompose 函数对序列进行成分分离，
period=12 指定年度季节性周期，适用于月度数据。分解后可通过子图分别观察趋势项的缓慢变动与季节项的重复模式。
2.3 自相关函数（ACF）与偏自相关函数（PACF）解读
ACF 与 PACF 的基本概念
自相关函数（ACF）衡量时间序列与其滞后版本之间的线性相关性，包含间接依赖。偏自相关函数（PACF）则剔除中间滞后项的影响，仅保留直接相关性，用于识别 AR 模型的阶数。
可视化判别模型阶数
通过 ACF 和 PACF 图可初步判断 ARIMA 模型参数：
- ACF 拖尾 + PACF 在滞后 p 阶后截尾 → AR(p) 模型
- ACF 在滞后 q 阶后截尾 + PACF 拖尾 → MA(q) 模型
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
import matplotlib.pyplot as plt
fig, ax = plt.subplots(2, 1)
plot_acf(data, ax=ax[0], lags=20)
plot_pacf(data, ax=ax[1], lags=20)
plt.show()
上述代码绘制前 20 阶的 ACF 与 PACF 图。
lags 参数控制最大滞后阶数，
ax 指定子图位置，便于对比分析。
2.4 单位根检验原理与ADF检验R实现
时间序列的平稳性是构建可靠计量模型的前提。单位根检验用于判断序列是否具有随机趋势，其中扩展迪基-福勒（ADF）检验应用最为广泛。
ADF检验基本原理
ADF检验通过检验回归模型中自回归系数是否为1（即存在单位根）来判断平稳性。原假设为序列非平稳，若检验统计量小于临界值，则拒绝原假设。
R语言实现
library(tseries)
# 生成非平稳序列
set.seed(123)
ts_data <- cumsum(rnorm(100))
# 执行ADF检验
adf_result <- adf.test(ts_data, alternative = "stationary", k = 1)
print(adf_result)
代码中
adf.test() 函数对序列进行ADF检验，参数
k=1 指定滞后阶数，
alternative = "stationary" 表示备择假设为平稳过程。
| 输出项 | 含义 |
|---|
| Dickey-Fuller | 检验统计量 |
| p-value | 显著性概率，小于0.05拒绝单位根 |
2.5 KPSS检验与多种检验结果对比分析
KPSS检验用于判断时间序列是否具有趋势平稳性，其原假设为序列平稳，与ADF、PP等检验形成互补。
常见单位根检验方法对比
- ADF检验：假设存在单位根（非平稳），适用于检测差分平稳序列；
- PP检验：与ADF类似，但对异方差性更具鲁棒性；
- KPSS检验：原假设为平稳，常用于验证ADF结果的稳健性。
检验结果对照表
| 检验类型 | 原假设 | 备择假设 | 结论方向 |
|---|
| KPSS | 平稳 | 存在单位根 | p值<0.05 → 非平稳 |
| ADF | 存在单位根 | 平稳 | p值<0.05 → 平稳 |
from statsmodels.tsa.stattools import kpss
stat, p_val, lags, crit_vals = kpss(series, regression='ct')
print(f"KPSS Statistic: {stat}, p-value: {p_val}")
# regression='ct' 表示包含趋势项；'c' 仅含截距
该代码执行KPSS检验，输出统计量与p值。当p值小于显著性水平时，拒绝平稳原假设，提示序列可能非平稳。结合ADF结果可综合判断序列特性。
第三章：非平稳序列的成因识别与分解
3.1 趋势性来源识别与确定性趋势建模
在时间序列分析中，识别趋势性来源是构建预测模型的首要步骤。常见趋势来源包括政策变化、用户增长和季节性活动。
趋势成分分解
使用加法模型将序列分解为趋势、周期和残差项：
from statsmodels.tsa.seasonal import seasonal_decompose
result = seasonal_decompose(series, model='additive', period=12)
trend_component = result.trend.dropna()
该代码提取出长期趋势项，
period=12 适用于月度数据的年度周期，
dropna() 处理边缘缺失值。
确定性趋势建模方法
常用线性与多项式拟合捕捉趋势形态：
- 线性回归：适用于稳定增长场景
- 二次项模型：捕捉加速或减速趋势
- 分段线性回归：响应结构断点变化
3.2 季节性检测：STL分解与周期成分提取
STL分解原理
STL（Seasonal and Trend decomposition using Loess）是一种鲁棒的时序分解方法，能将时间序列拆解为趋势（Trend）、季节性（Seasonal）和残差（Residual）三部分。其核心优势在于对异常值不敏感，并支持可变季节模式。
Python实现示例
from statsmodels.tsa.seasonal import STL
import pandas as pd
# 假设data是包含'value'列的时间序列数据
stl = STL(data['value'], seasonal=13, robust=True)
result = stl.fit()
# 提取各成分
trend = result.trend
seasonal = result.seasonal
resid = result.resid
上述代码中，
seasonal=13 表示季节周期长度，通常为奇数以保证Loess平滑效果；
robust=True 启用异常值鲁棒性处理，提升分解稳定性。
分解结果应用
- 季节性成分可用于识别周期规律，如月度、季度波动；
- 趋势成分辅助长期走势分析；
- 残差用于异常检测或建模误差评估。
3.3 随机波动与条件异方差初步判断
在金融时间序列分析中，随机波动常表现为方差随时间变化的非恒定特性。识别条件异方差性是建模前的关键步骤。
可视化波动聚集现象
观察收益率序列是否存在“波动聚集”——即大幅波动后倾向于跟随大幅波动，小幅波动后跟随小幅波动。这是条件异方差的典型特征。
自相关检验辅助判断
对平方收益率序列进行自相关函数（ACF）检验，若存在显著滞后相关性，则表明存在GARCH效应。
import statsmodels.api as sm
from scipy import stats
# 检验平方收益的自相关性
acf, qstat, pval = sm.stats.acorr_ljungbox(resid**2, lags=10)
print("Ljung-Box Q统计量p值:", pval)
上述代码使用Ljung-Box检验判断残差平方是否存在显著自相关。若多数p值小于0.05，说明应拒绝无自相关的原假设，支持引入GARCH类模型。
常见判别流程总结
- 绘制收益率时序图，观察波动聚集性
- 检验序列均值是否平稳（ADF检验）
- 对残差平方进行自相关检验
- 初步判断是否需采用ARCH/GARCH模型
第四章：平稳化处理的核心技术与R实践
4.1 差分操作：一阶与季节性差分R代码详解
在时间序列建模中，差分是消除趋势与季节性、实现平稳性的关键步骤。通过一阶差分可去除线性趋势，而季节性差分则针对周期性波动。
一阶差分实现
# 对时间序列x进行一阶差分
diff_x <- diff(x, differences = 1)
diff() 函数中，
differences = 1 表示执行一阶差分，即当前值减去前一时刻值，适用于消除趋势成分。
季节性差分实现
# 对月度数据执行周期为12的季节性差分
seasonal_diff <- diff(x, lag = 12, differences = 1)
参数
lag = 12 指定按年周期进行差分，常用于消除年度季节模式，如零售销售额中的节假日效应。
组合差分策略
实际应用中常先进行季节性差分，再进行一阶差分，以同时消除周期与趋势。该顺序有助于更准确识别ARIMA模型参数。
4.2 对数变换与Box-Cox变换稳定方差
在时间序列和回归分析中，异方差性会严重影响模型的稳定性与预测精度。对数变换是一种简单有效的方差稳定手段，适用于正值且右偏的数据。通过将原始数据 $ y $ 转换为 $ \log(y) $，可压缩数量级差异，使波动趋于平稳。
常用变换方式对比
- 对数变换：适用于乘法关系转加法，如 $ y' = \log(y + 1) $
- Box-Cox变换：更通用的幂变换族，定义为：
from scipy.stats import boxcox
import numpy as np
# 示例数据（必须为正）
data = np.array([1, 2, 4, 8, 16])
transformed_data, lambda_opt = boxcox(data)
print(f"最优λ: {lambda_opt:.2f}")
参数说明：当 $\lambda = 0$ 时等价于对数变换；否则为 $(y^\lambda - 1)/\lambda$。
适用场景选择
| 方法 | 数据要求 | 优势 |
|---|
| 对数变换 | 正值，指数增长 | 解释性强，计算简便 |
| Box-Cox | 严格正值 | 自动优化参数，适应性广 |
4.3 去趋势与去季节性的完整流程实现
在时间序列分析中，去除趋势和季节性是建模前的关键预处理步骤。通过差分、滤波或模型拟合方法可有效提取平稳成分。
去趋势处理
使用线性回归拟合原始序列中的趋势项，再从原序列中减去该趋势。适用于缓慢变化的长期趋势。
import numpy as np
from sklearn.linear_model import LinearRegression
# 构造时间变量
t = np.arange(len(series)).reshape(-1, 1)
model = LinearRegression().fit(t, series)
trend = model.predict(t)
detrended = series - trend
上述代码利用线性模型提取趋势，
series为输入时间序列，
detrended为去趋势后结果。
去季节性处理
采用周期性均值法：计算每个周期（如每月）的平均偏差，逐点减去对应周期的季节因子。
- 识别季节周期长度（如12个月）
- 计算各周期位置的平均值
- 构造季节因子序列并从原序列中扣除
4.4 平稳化后检验：联合验证平稳性达标
在完成时间序列的差分或变换处理后，需通过联合检验确认其平稳性是否达标。单一检验方法可能受数据特征影响产生误判，因此建议结合多种统计检验进行交叉验证。
常用平稳性检验方法对比
- ADF检验：检验是否存在单位根，原假设为非平稳；
- KPSS检验：原假设为平稳，适用于趋势平稳序列；
- PP检验：对自相关性鲁棒，适合高阶序列相关场景。
联合验证代码实现
from statsmodels.tsa.stattools import adfuller, kpss
def joint_stationarity_test(series):
adf_result = adfuller(series)
kpss_result = kpss(series, regression='c')
is_adf_stationary = adf_result[1] < 0.05 # p-value < 0.05 拒绝非平稳
is_kpss_stationary = kpss_result[1] > 0.05 # p-value > 0.05 接受平稳
return is_adf_stationary and is_kpss_stationary
该函数通过ADF与KPSS双检验逻辑“与”操作提升判断可靠性。仅当序列同时通过两种检验时，才认定其平稳性达标，有效降低误判风险。
第五章：迈向ARIMA建模的关键一步
数据平稳性检验
在构建ARIMA模型前，必须确保时间序列具备平稳性。常用的方法是ADF（Augmented Dickey-Fuller）检验。若p值大于0.05，则序列非平稳，需进行差分处理。
- 原始序列趋势明显，存在季节性波动
- 一阶差分后，ADF检验p值降至0.01以下
- ACF图显示拖尾特性，符合ARIMA建模前提
参数选择与模型识别
通过观察ACF和PACF图，初步判断ARIMA(p,d,q)中的p与q值。d由差分次数确定，本例中d=1。
| 模型组合 | AIC值 | BIC值 |
|---|
| ARIMA(1,1,1) | 643.2 | 653.8 |
| ARIMA(2,1,1) | 639.5 | 652.7 |
| ARIMA(1,1,2) | 641.1 | 654.3 |
最终选定ARIMA(2,1,1)，因其AIC最低且残差接近白噪声。
模型拟合与预测实现
使用Python的statsmodels库完成建模过程：
import pandas as pd
from statsmodels.tsa.arima.model import ARIMA
# 拟合模型
model = ARIMA(data, order=(2,1,1))
fitted_model = model.fit()
# 输出摘要
print(fitted_model.summary())
# 向前预测5期
forecast = fitted_model.forecast(steps=5)
残差分析图示：
[残差时序图] — 波动均匀
[Q-Q图] — 点近直线，正态性良好
[Ljung-Box检验] — p > 0.05，无自相关
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
