**线性（Linear）系统下平稳（Stationary）系统中的离散（Discrete）**数据。
对于AR模型下：
X
k
=
φ
1
X
k
−
1
+
φ
2
X
k
−
2
+
.
.
.
+
e
k
X_k = \varphi_1X_{k-1}+\varphi_2X_{k-2}+...+e_k
Xk=φ1Xk−1+φ2Xk−2+...+ek
X
k
X_k
Xk与
X
k
−
1
X_{k-1}
Xk−1到
X
k
−
10
X_{k-10}
Xk−10相关性越来越低，当到10阶还能看到相关性，就是说
X
k
X_{k}
Xk是10阶可信的。
γ x ( r , s ) = E ( X r X s ) − E ( X r ) E ( X s ) \gamma_x(r,s)=E(X_rX_s)-E(X_r)E(X_s) γx(r,s)=E(XrXs)−E(Xr)E(Xs)
ACF用于判断时间序列的相关性，当某一阶的ACF趋于零，说明次阶及之后序列是不相关的。
对于白噪声，ACF只存在0阶，也就是本身的相关系数为1，1阶之后都是不相关的（包括1阶）。白噪声序列本身不存在相关性。
而对于随机游走，不管多少阶都存在惟一（一直都是1）的相关性。
ACF是对MA有效，对AR是失效的。
-
MA
-
AR
-
偏自相关函数确定AR§中的p
-
平稳性
- 99%的金融数据模型都是基于平稳性构建的
- 模型的意义是为了预测下一时刻，对于非平稳时间序列，当前时刻无法预测其他时刻
-
非平稳序列
-
趋势
考察是否有趋势性
-
季节性
考察是否有季节性
-
-
白噪声
- E ( X t ) = 0 E(X_t)=0 E(Xt)=0
-
白噪声的一阶积分：随机游走
-
ARMA
-
非平稳时间序列-转换与分解
分解为三部分：趋势+差分+季节性
- 趋势
- 差分
- 季节性
-
建模过程
-
（plot时间序列）找出趋势性和季节性并除去-变为平稳
-
fit模型并检验残差
定阶，残差检验。
模型选择：
- AR§—PACF—p
- MA(q)—ACF—q
- ARMA
-
预测并转换
-
-
MLE
-
过拟合
- AIC
未完待续2019.5.10
2303
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
