一般处理时间序列的基本过程：（无季节趋势）
注：上图中LB检验的统计量纠正：n*(n+2)，而不是n*(n-2)
几种基础时间序列模型（模型的具体形式补充见文末）：
目录
以《应用时间序列分析》王燕，第四版中p94-p96页中17题数据为例
基础介绍：
一、Python处理
重点参考文章：
时间序列模型（ARIMA和ARMA）完整步骤详述_Foneone的博客-CSDN博客_arma_order_select_ic
1.1.step1：平稳性检验与白噪音检验
首先可以绘制线图直接观察数据走势粗略判断平稳性，既无趋势也无周期；
df.plot(color='blue',title='data-17') #绘制时间序列的线图
1.1.1平稳性检验：ADF检验
· 检验假设：H0：存在单位根 vs H1：不存在单位根
如果序列平稳，则不应存在单位根，所以我们希望能拒绝原假设
· python代码：adfuller
from statsmodels.tsa.stattools import adfuller
adftest = adfuller(x, autolag='AIC') #ADF检验检验结果如下：
adftest[0]：ADF检验的t值； adftest[1]：ADF检验的t值的p值； adftest[4：6]：ADF检验对应三个置信度（1%，5%，10%）的t值，可以直接将 adftest[0]与这三个值做比较；
由本输出结果来看-5.7185显著小于后面三个t值，且p值接近为0，因而在1%的显著水平下拒绝原假设，认为该序列平稳；
1.1.2差分修正：
若不平稳可以考虑做差分运算修正为平稳序列。若差分后平稳，则对原序列建立ARIMA模型。
· python代码：timeseries.diff( )
#### 差分运算
def diff(timeseries):
d1_sale=timeseries.diff(periods=1).dropna()#dropna删除NaN
d1_sale.plot(color='orange',title='diff1')
return d1_sale1.1.3白噪音检验：L-B统计量/Q统计量
· 检验假设与统计量：
（上图a.中的“残差”应当替换为“序列”）通常m取【n/10】or【根号n】若观测量较小也可以取【n/4】；若拒绝原假设则认为不是白噪音检验
· python代码：acorr_ljungbox
from statsmodels.stats.diagnostic import acorr_ljungbox #白噪声检验
test_value = acorr_ljungbox(timeseries, lags=1)检验结果如下：
test_value[1]为p值，所以可以在5%的显著水平下认为该序列不是一个白噪音序列
1.2.step2：模型识别与定阶
1.2.1法一：观察ACF与PACF的拖尾与截尾
· python代码：
plot_acf(timeseries,lags) #lags：延迟阶数
plot_pacf(timeseries,lags)
import statsmodels.api as sm
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf
def determinate_order_acf(timeseries):
plot_acf(timeseries,lags=30) #自己定延迟数
plot_pacf(timeseries,lags=30)
plt.show()输出结果如下：
1.2.2法二：AIC与BIC信息准则
迭代不同p与q的取值下的估计，选取AIC与BIC最小的参数p与q；
注：AIC可能高估阶数，BIC可能低估阶数
· python代码：sm.tsa.arma_order_select_ic
#AIC
AIC_summary=sm.tsa.arma_order_select_ic(timeseries,max_ar=4,max_ma=0,ic='aic')
#BIC
BIC_summary=sm.tsa.arma_order_select_ic(timeseries,max_ar=4,max_ma=0,ic='bic')输出结果：
如果想直接得到AIC与BIC最小的阶数则直接加入索引：['aic_min_order']
#AIC
AIC=sm.tsa.arma_order_select_ic(timeseries,max_ar=ar_max,max_ma=ma_max,
ic='aic')['aic_min_order']
#BIC
BIC=sm.tsa.arma_order_select_ic(timeseries,max_ar=ar_max,max_ma=ma_max,
ic='bic')['bic_min_order']
print('the AIC is{},\nthe BIC is{}\n'.format(AIC,BIC))1.3.step3：模型构建与预报
· 模型构建：arma_model = ARMA(train_data,order).fit()
· 模型预报：arma_model.forecast(pred_end)
#### 模型构建：利用机器学习的知识（？
def ARMA_model(train_data,order,pred_end): # train_data：（训练数据,测试数据）拟合数据,order:所定阶数
arma_model = ARMA(train_data,order).fit()#ARMA模型训练器
#拟合结果
print(arma_model.summary())
#给出一个残差序列的方差 尝试作为sigma的估计值（不确定对不对
print('随机扰动项的标准差sigma估计：',np.std(arma_model.resid))
#out_sample_pred = arma_model.predict(start=len(train_data),end = len(train_data)+pred_end-1,dynamic=True)
#print(out_sample_pred)
print('预测未来{}天，其预测结果\n{}\n标准误差\n{}\n置信区间如下：\n{}'.format(pred_end,
arma_model.forecast(pred_end)[0],
arma_model.forecast(pred_end)[1],
arma_model.forecast(pred_end)[2]))缺点：ARMA模型训练器的结果似乎没有含随机扰动项服从方差的估计（输出残差序列arma_model.resid尝试计算其方差来替代）使用ARIMA模型似乎可以得到sigma的估计值（？不确定 ARIMA的操作还没学www）
输出结果：
1.3.4step4：模型检验
把残差序列再做一次白噪音检验；其余还有qq图检验正态性等（待补充）
二、Eviews处理
2.1.step1：平稳性检验与白噪音检验
2.1.1平稳性检验：ADF检验：UnitRoot Test
2.1.2白噪音检验：Correlogram 直接观察ACF的Q检验统计量与p值。本题输出结果如下图，可以拒绝原假设，即是一个非随机序列。如果p值较大，接受原假设，认为是白噪音序列（但此时要注意观察序列线图，有没有存在异方差问题，如果存在异方差，则也不能认为是白噪音）
2.2.step2：模型识别与定阶
法一：观察ACF与PACF的拖尾与截尾：Correlogram 直接观察即可。
法二：AIC与BIC准则：eviews内部没有自动迭代检测最小AIC与BIC的方法，只能自行选取几个备选模型分别做拟合，得到的结果中含有AIC的值，自己人工比较；
2.3.step3：模型构建与预报
2.3.1模型构建：
补一些建模指令：
MA(1)模型：ls x c ma(1)
生成一阶差分：genr->d(x)或x-x(-1)
关于随机扰动项服从标准差的估计值：利用resid序列的统计学描述，选取Std.Dev.作为估计值；
2.3.2模型预报：
先expand序列的长度，再在拟合的模型上点击forecast，选取预测范围，得到的新的序列内即含有预测的结果；
注：eviews不会提供预报的误差具体值，只会提供一个置信区间的图；
2.4.step4：模型检验
残差的白噪音检验：选择数据框内的r（残差序列）继续：Correlogram 观察ACF的Q检验统计量与p值。
2.5ARCH模型的检验和建立
（此处使用的是一组新数据）
ARCH模型的形式：
step1：按照前面的方式建立合适的主回归模型
step2：ARCH效应检验：LM检验
对主模型的残差做ARCH效应的LM检验
View→Residual Diagnostics→Heteroskedasticity Tests→ARCH 然后再lags处自己定延迟阶数
LM检验：H0不存在ARCH效应的异方差问题
观察检验的p值：若p值很小，则拒绝原假设，认为残差具有异方差问题，存在ARCH效应。
step3：对残差建立ARCH模型
三、Python实践过程
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt #画图
import statsmodels.api as sm
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf #ACF与PACF
from statsmodels.tsa.stattools import adfuller #ADF检验
from statsmodels.stats.diagnostic import acorr_ljungbox #白噪声检验
from statsmodels.tsa.arima_model import ARMA #ARMA模型
from statsmodels.tsa.arima_model import ARIMA #ARIMA模型step1：平稳性检验与白噪音检验
#### 平稳性检验
def ADF_test(timeseries):
x = np.array(timeseries) #转为一维数组
adftest = adfuller(x, autolag='AIC') #ADF检验
print (adftest)
if adftest[0] < adftest[4]["1%"] and adftest[1] < 10**(-6):
# 对比Adf结果和10%的时的假设检验 以及 P-value是否非常接近0(越小越好)
print("序列平稳")
return True
else:
print("非平稳序列")
return False
#### 随机性检验（白噪声检验）
def random_test(timeseries) :
p_value = acorr_ljungbox(timeseries, lags=1) # p_value 返回二维数组，第二维为P值
#print(p_value)
if p_value[1] < 0.05:
print("非随机性序列")
return True
else:
print("随机性序列,即白噪声序列")
return False
"""
————————————————
版权声明：本文为CSDN博主「Foneone」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/foneone/article/details/90141213
"""注：我在实际使用上述ADF检验时会出现与eviews的ADF检验输出的统计量结果相差很多的情况，暂时不知道问题出在了哪里。
差分运算：
#### 差分运算
def diff(timeseries):
d1_sale=timeseries.diff(periods=1).dropna()#dropna删除NaN
d1_sale.plot(color='orange',title='diff1')
return d1_salestep2：模型选择与定阶
模型选择：绘制ACF与PACF
#### 绘制ACF与PACF的图像
def plot_acf_pacf(timeseries): #利用ACF和PACF判断模型阶数
plot_acf(timeseries,lags=30) #延迟数
plot_pacf(timeseries,lags=30)
plt.show()AIC与BIC定阶：两种方法
#法一：利用自带函数：ARIMA模型则需要用差分后的序列带入。
#法二：迭代调优
法二参考文章：时间序列分析ARIMA及其Python实现_木星健谈能手的博客-CSDN博客_arima python实现
#### AIC与BIC定阶
#法一：利用自带函数
def detetminante_order(timeseries,ar_max,ma_max): #信息准则定阶：AIC、BIC
#AIC
AIC_summary=sm.tsa.arma_order_select_ic(timeseries,max_ar=ar_max,max_ma=ma_max,ic='aic')
#BIC
BIC_summary=sm.tsa.arma_order_select_ic(timeseries,max_ar=ar_max,max_ma=ma_max,ic='bic')
print('the AIC is{},\nthe BIC is{}\n'.format(AIC_summary.['aic_min_order'],BIC.['bic_min_order']))
print(AIC_summary,'\n',BIC_summary)
#法二：迭代调优
def determine_aic_arima(train_data,pmax,I,qmax):
aic_matrix=[]
for p in range(pmax+1):
tmp=[]
for q in range(qmax+1):
try:
tmp.append(ARIMA(train_data,order=(p,I,q)).fit().aic)
except:
tmp.append(None)
aic_matrix.append(tmp)
aic_matrix=pd.DataFrame(aic_matrix)
p,q=aic_matrix.stack().idxmin() #最小值的索引
print('用AIC方法得到最优的p值是%d,q值是%d'%(p,q))
def determine_bic_arima(train_data,pmax,I,qmax):
bic_matrix=[]
for p in range(pmax+1):
tmp=[]
for q in range(qmax+1):
try:
tmp.append(ARIMA(train_data,order=(p,I,q)).fit().bic)
except:
tmp.append(None)
bic_matrix.append(tmp)
bic_matrix=pd.DataFrame(bic_matrix)
p,q=bic_matrix.stack().idxmin() #最小值的索引
print('用AIC方法得到最优的p值是%d,q值是%d'%(p,q))
step3：模型构建与预报
如果需要拟合ARIMA，则只需要替换为ARIMA(train_data,order).fit()即可
#### 模型构建：利用机器学习的知识（？
def ARMA_model(train_data,order,pred_end): # train_data：（训练数据,测试数据）拟合数据,order:所定阶数
arma_model = ARMA(train_data,order).fit()#ARMA模型训练器
print(arma_model.summary()) #拟合结果
print('随机扰动项的标准差sigma估计：',np.std(arma_model.resid))#给出一个残差序列的方差 尝试作为sigma的估计值（不确定对不对
print('预测未来{}天，其预测结果\n{}\n标准误差\n{}\n置信区间如下：\n{}'.format(pred_end,
arma_model.forecast(pred_end)[0],
arma_model.forecast(pred_end)[1],
arma_model.forecast(pred_end)[2]))正式过程：
df1=pd.read_excel(r'F:\个人嘿嘿嘿\北师大BNU\研一上-课业资料\时间序列\作业2\timeseries17.xlsx')
df17=df1['cq']
df17.plot(color='blue',title='data-17') #绘制时间序列的线图
plot_acf_pacf(df17) #绘制时间序列的ACF与PACF
ADF_test(df17) #平稳性检验
random_test(df17) #白噪音检验
detetminante_order(df17,4,0) #AIC，BIC定阶
ARMA_model(df17,(1,0),5) #模型拟合和预报四、时序常见模型的形态
（一）AR模型（自回归模型）
当前时间点的数据与过去自身数据的关系。
（二）MA模型（滑动平均模型）
当前时间点的数据与过去噪声的关系。
（三）ARMA模型（自回归滑动平均模型）
（四）ARIMA模型：针对有趋势的时间序列
（五）乘积的ARMA模型：有季节周期的时间序列
（六）乘积的ARIMA模型：有趋势+周期的时间序列
（七）ARCH模型+GARCH模型
ARCH模型：自回归条件异方差模型
特点：当自回归模型的残差是异方差时，对残差形式做了变换，使其等于过去残差的某种变换，从而满足同方差假定；
GARCH模型：引入滞后算子的自回归条件异方差模型
2657
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
