12、时间序列分析与预测：ARIMA模型详解

时间序列分析与预测：ARIMA模型详解

1. ARIMA模型基础

ARIMA（Autoregressive Integrated Moving Average）模型是一类用于分析和预测时间序列数据的统计模型。它通过描述数据中的自相关性来实现这一目标，是简单ARMA模型的扩展。其额外的积分组件旨在确保序列的平稳性，因为与指数平滑模型不同，ARIMA模型要求时间序列是平稳的。

ARIMA模型由以下几个部分组成：
- AR（自回归）模型 ：利用观测值与其p个滞后值之间的关系。在金融领域，自回归模型试图解释动量和均值回归效应。
- I（积分） ：指对原始时间序列进行差分（将当前时期的值减去上一时期的值），使其平稳。负责积分的参数是d（称为差分阶数），表示需要应用差分的次数。
- MA（移动平均）模型 ：利用观测值与白噪声项（过去q个观测值中出现的冲击）之间的关系。在金融领域，移动平均模型试图解释影响观测时间序列的不可预测冲击（在残差中观察到），如自然灾害、与特定公司相关的突发新闻等。MA模型中的白噪声项是不可观测的，因此不能使用普通最小二乘法（OLS）来拟合ARIMA模型，而必须使用迭代估计方法，如最大似然估计（MLE）。

这些组件组合在一起，通常用ARIMA(p, d, q)表示。一般来说，应尽量使ARIMA参数的值尽可能小，以避免不必要的复杂性并防止过拟合训练数据。一个经验法则是保持d <= 2，而p和q不应高于5。此外，模型中很可能其中一个项（AR或MA）占主导地位，导致另一个参数的值相对较小。

2. ARIMA