【时间序列】AR-MA-ARMA-ARIMA是什么？

---

1 概述

传统的时间序列分析可以分为平稳时间序列分析和非平稳时间序列分析。

对于平稳时间序列，分析方法主要有AR（autoregression）、MA（moving average），以及他们俩的结合ARMA（autoregression moving average）。

对于非平稳时间序列，我们主要通过差分的方式来让先让序列变得平稳，然后再使用平稳时间序列分析的方法。比如，先差分平稳后，使用ARMA，也就是非平稳时间序列分析中的ARIMA（autoregression integrated moving average）方法。

---

2 平稳时间序列分析

2.1 AR（autoregression）

AR 模型，也叫做p 阶自回归模型。

$$x_t={\alpha }_1{x}_{t-1}+{\alpha }_2{x}_{t-2}+....{\alpha }_p{x}_{t-p}+{\epsilon }_t$$

自相关系数：拖尾性、指数衰减。
偏自相关系数：截尾性。

2.2 MA（moving average）

MA 模型，也叫做q 阶移动平均。

$$x_t={\epsilon }_t+\mu -{\theta }_1{x}_{t-1}-{\theta }_2{x}_{t-2}-....{\theta }_q{x}_{t-q}$$

当$\mu =0$ 时，模型称为中心化MA(q) 模型，对非中心化模型只需要做一个简单的位移$y_t=x_t-\mu$ ，就可以转化为中心化MA(q) 模型。

自相关系数：q 阶截尾
偏自相关系数：拖尾性。

2.3 ARMA（autoregression moving average）

自回归移动平均模型。

$$x_t={\varphi }_t+\mu +{\varphi }_1{x}_{t-1}+{\varphi }_2{x}_{t-2}+....+{\varphi }_p{x}_{t-p}+{\epsilon }_t-{\theta }_1{\epsilon }_{t-1}-...-{\theta }_q{\epsilon }_{t-q}$$

$p$ 和$q$ 是模型的自回归阶数和移动平均阶数；$\varphi$ 和$\theta$ 是不为零的待定系数；$\epsilon$ 独立的误差项；$x_i$ 是平稳、正态、零均值的时间序列。

以股票市场为例，让我们直观理解一下ARMA 模型的作用。AR(p ) 模型视图解释股票市场的动量和均值回归效应（市场参与者效应）。MA(q) 模型试图捕捉冲击效应，这些冲击效应可以当作白噪声。这些冲击效应是由一些以外的时间导致的，比如战争、意外收益、袭击等。因此，ARMA 模型视图同时捕捉这两个方面的信息。

模型	自相关系数	偏自相关系数
AR（p）	拖尾	p 阶截尾
MA（q）	q 阶截尾	拖尾
ARMA（p，q）	拖尾	拖尾

2.4 平稳序列建模

1. 求出观察序列的自相关系数和偏相关系数
2. 根据样本的ACF 和PACF 选择阶数适当的模型进行拟合
3. 估计模型中未知参数的值
4. 检验模型的有效性，如果模型通不过检验，转向步骤2，重新选择模型再拟合
5. 模型优化。如果模型通过拟合，仍然转向步骤2，充分考虑各种可能，建立多个拟合模型，从中选择最优模型
6. 利用拟合模型，预测序列的未来走势

---

3 非平稳时间序列分析

3.1 差分

1. 序列蕴含显著的线性趋势，1 阶差分就可以实现趋势平稳
2. 序列蕴含曲线趋势，通常低阶（2 阶或3 阶）差分就可以提取出曲线趋势的影响
3. 序列蕴含固定周期的序列，则进行步长为周期长度的差分运算，通常可以很好的提取出周期信息

3.2 ARIMA

ARIMA（autoregression integrated moving average）模型的是之就是差分运算和ARMA 模型的组合。这说明任何非平稳序列如果能通过适当阶数的车分时线差分后平稳，就可以对差分后序列进行ARMA 模型拟合。ARMA 模型的分析方法已经非常成熟，意味着对查分平稳序列的分析也将是非常成熟的。

---

参考资料：
《应用时间序列分析》
https://medium.com/auquan/time-series-analysis-for-finance-arma-models-21695e14c999