ARMA
说时间序列,不来个ARMA,GARCH仿佛就跟吃饭只有冷菜没热炒正菜~~所以,从本辑开始步入正轨。
A R M A ARMA ARMA 模型应该是时间序列里最常用到的了,说白了,他其实是有 A R ( p ) AR(p) AR(p) 和 M A ( q ) MA(q) MA(q) 构成的,当然,还有一个 A R I M A ARIMA ARIMA 模型,其实和 A R M A ARMA ARMA 没啥大区别,主要就是加了个几阶差分罢了 ( A R I M A ( p , d , q ) (ARIMA(p,d,q) (ARIMA(p,d,q) 其中 d d d 就是差分的次数)。
AR
首先我们从模型的前半部分AR(p)开始。
什么是AR模型,说白了就是序列 Y Y Y 的变动与 Y t − 1 , Y t − 2 Y_{t-1},Y_{t-2} Yt−1,Yt−2 等有关,那么我们就利用这些来对 Y Y Y 进行短期的预测,至于 A R ( p ) AR(p) AR(p)中的 p p p 就是 Y Y Y 与它前 p p p 期有关。当然直白的话只能用来理解,真的落到白纸黑字,咱还是要稍微像样点,比如写成这样就有教科书的感觉了——
如果预测是分析的目的,那么,随机过程的元素
Y
t
Y_t
Yt 对它的过去的依赖性就很重要。这使我们能够利用已经收集的样本观测值的过去信息预测变量的未来值。存在这种依赖性的简单例子是自回归过程:
自
回
归
A
R
(
p
)
模
型
:
y
t
=
φ
1
y
t
−
1
+
φ
2
y
t
−
2
+
…
…
+
φ
p
y
t
−
p
+
ε
t
自回归AR(p)模型: y_t=φ_1y_{t-1}+φ_2y_{t-2}+……+φ_py_{t-p}+ε_t
自回归AR(p)模型:yt=φ1yt−1+φ2yt−2+……+φpyt−p+εt
式中假设:
y
t
y_t
yt 的变化主要与时间序列的历史数据有关,与其它因素无关;
ε
t
ε_t
εt 不同时刻互不相关,
ε
t
ε_t
εt 与
y
t
y_t
yt 历史序列不相关。