时间序列 平稳模型（二）

本章介绍第一类非常重要的模型：自回归滑动平均模型（ARMA)。在真实案例中，ARMA模型也被高频的使用到，更是后面模型的基础，反正，时间序列是绕不过去ARMA模型的。

2.1 一般线性过程

ARMA模型属于一大类过程（模型），即一般线性过程。一听到线性过程，是不是就觉得不难了？ 事实也是如此，别怕，干！

那什么叫线性过程呢？对一时间序列{ Yt}

，比如就是2017年06月 27日的上证指数。则其可表示成现在与过去白噪声的加权线性组合：

Yt=et+ψ1et−1+ψ2et−2+…t=0,±1,±2,…

其中{ et }代表白噪声序列， { ψj}={ ψj:j=0,1,2,…} 为一实数列（可认为 ψ0 为1）。考虑到收敛问题，需加一个限制条件： ∑∞j=0ψ2j<+∞

。

2.2 滑动平均过程

2.2.1 一阶滑动平均过程

在介绍ARMA模型前，先介绍一些它的简化版本，这样循序渐进，慢慢深入，痛苦也会少一点，快乐也就多一点。

最先介绍的当然是滑动平均（Moving Average, MA)，而且是滑动平均的最简版：一阶滑动平均。

对于一阶滑动平均{ Xt

}：

Xt=et+θet−1t=0,±1,±2,…

通常称{X~t~} 为MA(1)序列。

接下来要探讨统计特征啦（以后，再学习一些模型时，都会经历这一步，其实这才是重点啊，因为这些特征告诉我们模型的特性，那也就暗示了模型的应用场景啊！当然，==从应用的层面，也不需要你知道怎么推导，故只需关注每个公式最后的等号就可以了==，当然如果想加深理解、记忆，每个公式仔细看是有必要的）

E(Yt)=E(et+θet−1)=0

varXt=var(et+θet−1)=σ2(1+θ2)

cov(Xt,Xt−1)=cov(et+θet−1,et−1+θet−2)=θσ2

cov(Xt,Xk)=cov(et+θet−1,ek+θek−1)=0,k≥2.

因此，对于MA(1),自协方差函数γk

和自相关系娄 ρk :

γ0=σ2(1+θ2),ρ0=1γ1=θσ2,ρ1=θ1+θ2γk=0,ρk=0,k≥2.⎫⎭⎬⎪⎪⎪⎪⎪⎪

2.2.2 q阶滑动平均— MA(q)序列

任给定q个实数θ1,θ2,…,θq(θq≠0)

，则MA(q) { Xt }序列：

Xt=et+θ1et−1+θ2et−2+⋯+θqet−q,t=0,±1,±2,…

可见，MA(q)与MA(1)是非常类似的，只不过有变得繁琐而已（注意，是‘繁’不是‘难’）。

比如处协方差函数γ