ACF 与 PACF：深入了解时间序列分析的关键工具

最新推荐文章于 2025-03-20 15:39:24 发布

chenxiemin

最新推荐文章于 2025-03-20 15:39:24 发布

阅读量3.4k

点赞数 13

分类专栏： AI 文章标签： ACF PACF 自相关价格预测 AR MA

本文链接：https://blog.csdn.net/chenxiemin/article/details/143669236

版权

AI 专栏收录该内容

13 篇文章

订阅专栏

在时间序列分析中，两个重要的统计工具——自相关函数（ACF）和偏自相关函数（PACF）——被广泛应用于模型选择和数据解释。理解它们的区别和各自的用途，是构建和优化时间序列模型（如ARIMA模型）的基础。

什么是自相关函数（ACF）？

自相关函数（Autocorrelation Function, ACF）描述了时间序列与其自身滞后值之间的相似性。它是计算不同滞后期（Lag）下的序列值之间的相关性，以观察随时间延迟变化的依赖性。

什么是偏自相关函数（PACF）？

偏自相关函数（Partial Autocorrelation Function, PACF）是 ACF 的延伸，用来捕捉特定滞后值上的“纯”自相关，剔除了其他中间滞后值的影响。

ACF 和 PACF 的用途

模型选择：在ARIMA模型中，ACF和PACF的形状能够帮助我们确定参数 p、d、q 的值。特别是当序列差分后，ACF和PACF能清晰地展现哪些滞后项应该被纳入模型。
数据依赖性和周期性识别：通过 ACF 图，观察到显著相关的滞后项通常能帮助识别季节性或循环性模式。这些模式可能表明该时间序列受周期性因素（如季节或工作日）影响。
预测精度提升：通过对时间序列的ACF和PACF分析，可以在模型中剔除无关项，从而简化模型结构，提高模型的预测精度和稳定性。

ACF详解

自相关函数（ACF，Autocorrelation Function）用于衡量时间序列在不同滞后之间的相关性，反映序列中的周期性或依赖性。给定时间序列 $y_t$ ，ACF 在滞后 k 的值（记作 $\rho_k$ ）可以通过以下公式计算：

$\rho_k = \frac{\sum_{t=1}^{N-k} (y_t - \bar{y})(y_{t+k} - \bar{y})}{\sum_{t=1}^{N} (y_t - \bar{y})^2}$

其中：

N 是序列的总长度。
$y_t$ 是序列在时间 t 的值。
$\bar{y}$ 是序列的均值，即 $\bar{y} = \frac{1}{N} \sum_{t=1}^N y_t$ 。
k 表示滞后阶数。
分子部分 $\sum_{t=1}^{N-k} (y_t - \bar{y})(y_{t+k} - \bar{y})$ 计算在滞后 k 时序列的协方差。
分母部分 $\sum_{t=1}^{N} (y_t - \bar{y})^2$ 是序列的方差，使得 $\rho_k$ 被标准化在 $[-1, 1]$ 之间。

PACF详解

偏自相关函数（PACF，Partial Autocorrelation Function）用于测量时间序列中滞后之间的直接相关性。PACF 是自相关函数（ACF）的扩展，但它只考虑滞后项之间的直接关系，排除了中间项的影响。PACF的计算公式如下：

对于给定滞后阶数 k，PACF的值（记为 $\phi_{k,k}$ ）可以通过多元线性回归模型来求解，具体步骤如下：

构造线性回归模型：令时间序列为 $y_t$ ，则对于滞后阶数 k，我们可以通过以下多元回归模型估计 PACF：
$y_t = \alpha + \phi_{1,k} y_{t-1} + \phi_{2,k} y_{t-2} + \dots + \phi_{k,k} y_{t-k} + \epsilon_t$
其中， $\epsilon_t$ 表示误差项， $\phi_{j,k}$ 表示第 j 个滞后对当前时间点的直接影响系数。
解线性方程组：通过回归模型估计得到系数 $\phi_{1,k}, \phi_{2,k}, \dots, \phi_{k,k}$ ，其中的 $\phi_{k,k}$ 就是 PACF 的值。
Yule-Walker 方程：对于 AR(p) 模型，可以通过递归的 Yule-Walker 方程求解 PACF。

用例

下面我们尝试用ACF和PACF分析微软的股票价格：

import yfinance as yf
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf

# download msft stock data
tickerSymbol = 'MSFT'
tickerData = yf.Ticker(tickerSymbol)
tickerDf = tickerData.history(period='1mo', start='2010-1-1', end='2020-1-1')
tickerDf = tickerDf[['Close']]

# plot stock price
plt.figure(figsize=(10,4))
plt.plot(tickerDf.Close)
plt.title('Stock Price over Time (%s)'%tickerSymbol, fontsize=20)
plt.ylabel('Price', fontsize=16)
for year in range(2015,2021):
    plt.axvline(pd.to_datetime(str(year)+'-01-01'), color='k', linestyle='--', alpha=0.2)

# take first difference
first_diffs = tickerDf.Close.values[1:] - tickerDf.Close.values[:-1]
first_diffs = np.concatenate([first_diffs, [0]])
tickerDf['FirstDifference'] = first_diffs

# plot difference
plt.figure(figsize=(10,4))
plt.plot(tickerDf.FirstDifference)
plt.title('First Difference over Time (%s)'%tickerSymbol, fontsize=20)
plt.ylabel('Price Difference', fontsize=16)
for year in range(2015,2021):
    plt.axvline(pd.to_datetime(str(year)+'-01-01'), color='k', linestyle='--', alpha=0.2)

MSFT 股票价格与价差图如下：

ACF 相关性分析：

acf_plot = plot_acf(tickerDf.FirstDifference)

PACF相关性分析：

pacf_plot = plot_pacf(tickerDf.FirstDifference)

从上图ACF与PACF相关性图表可以看出：

横轴（Lag）：表示滞后期数，即滞后值的时间间隔。
纵轴（ACF 值）：表示每个滞后期的自相关系数，范围从 -1 到 1，纵轴绝对值越大代表相关性越强。
置信区间：图表中蓝色区域称为置信区间，通常落在置信区间内的滞后期数可以被忽略。
从ACF/PACF的结果分析，MSFT的价格与Lag(1, 2, 5, 7)有一定的相关性。
在选择AR/MA等模型拟合MSFT价格时，可以首先尝试1,2,5,7等参数。

ACF 与 PACF 图的解释

在分析 ACF 和 PACF 图时，有几种常见的形状值得注意：

ACF 快速衰减而 PACF 截尾：可能表示AR模型适合；
PACF 快速衰减而 ACF 截尾：可能表示MA模型适合；
ACF 和 PACF 都逐步衰减：可能表示ARMA模型适合。

例如，当观察到 ACF 在滞后2之后逐步衰减，而 PACF 在滞后2之后显著下降至不显著水平，则该时间序列可能符合一个AR(2)模型。

总结

ACF和PACF是时间序列分析中极为重要的工具，它们帮助我们识别序列中的依赖关系和周期性，从而为模型选择提供依据。通过结合ACF和PACF图，我们能够有效构建适合的AR/MA模型，提高时间序列预测的准确性。