ARMA时间序列分析模型笔记

        自回归滑动平均模型（Autoregressive moving average model），是AR和MA模型的结合，也是ARIMA模型的前身。在用ARMA模型对时间序列进行预测或分析之前，需要进行一些pre-analysis。

1. 价值与白噪声分析：
2. 是否是平稳序列：一般来说，ARMA和ARIMA模型只能处理平稳时间序列，对于非平稳时间序列，就得通过差分来解决
3. ACF和PACF计算：判断数据受到前面几期数据的影响，同时，ACF和PACF也是判断AR 和MA阶数的方法之一。

ARMA时间序列

AR是一种回归序列：

MA则是一种滑动拟合模型，

二者结合起来并加上系数，就组成了ARMA模型。

ARMA模型的特性

MA（q）序列的自相关函数 AR（p）序列的自相关函数

ARMA（p,q）序列的自相关函数：通过以上方程联立求解，可以认为该函数是拖尾的。

ARMA的实际应用

1. 定阶：通常用ACF和PACF决定
2. 平稳：平稳即差分操作，1阶以上的ARMA模型视为ARIMA模型
3. 拟合模型，判断差分是否合理