时间序列算法—P阶自回归模型
包括AR,MA和ARIMA
AR
AR(p)模型平稳的等价差别条件是该AP§模型的自回归系数多项式的根都在单位圆以外。
平稳AR§模型的自相关系数具有两个显著的性质,即拖尾性和府直属衰减性。由于是平稳的,所以pk始终有非零取值,不会在k大于某个常熟后就恒等于0,这个性质就是拖尾性,实际上xt之前的给个序列值xt-1,xt-2,…都会对xt构成影响,自回归的这中特征体现在自相关系数上就是自相关系数的拖尾性。另外,方程
是一个p阶其次差分方程,那么之后任意k阶的自相关系数的通解为
可以看到随着时间的推移pk会迅速衰减,继而导致
而且这种影响是以负指数
的速度在减小,这种性质就是负指数衰减性,也可以理解为短期相关性。它是平稳序列的一个重要特征,这个特征表明对平稳序列而言通常只有近期的序列值对当期值的影响比较明显,间隔越远的过去值对现时值的影响越小。
对于平稳的自回归模型,其偏自相关系数具有截尾性即对于任意大于p的阶数k,其对应的偏自相关系数均为0,该性质和前面的自相关系数拖尾性是AR§模型重要的识别依据。
MA§
ARMA
具体流程
ARIMA模型
又叫求和自回归移动平均模型。结构如下
具体步骤:
1,获取观察值序列,进行平稳性检验,如果序列是平稳的,就进入步骤二,否则需要进行差分运算,是的差分运算后的序列变得平稳,相比于ARMA模型,ARIMA模型更适合处理非平稳的序列。
2,对平稳序列及逆行白噪声检验,对于非白噪声序列进行步骤三,如果发现原序列是白噪声,则这种情况是无法预测的,直接结束分析。
3,对平稳非白噪声序列你和ARMA模型,可以参考ARMA模型的建模流程。
4,检验ARIMA模型的残差序列,如果该序列不是白噪声,则返回步骤二,重新选择参数或定阶,使得残差序列的结束满足白噪声的假设,否则,这个模型的信息提取不充分。当残差序列是白噪声时,分析结束。