时间序列 ：ARIMA模型-原理

时间序列是在时间点上形成的数值序列，时间序列预测是通过观察历史数据预测未来的值。ARIMA模型(Autoregressive Integrated Moving Average model)是时间序列预测分析方法之一，全称叫做自回归差分移动*均模型。

本文是看网上博客整理而来，原始文章是：

时间序列分析(2) ARIMA 模型

罗汉堂主 ARIMA

机器学习(三)——时间序列法

一，模型的构成

ARIMA模型包含3个部分，即自回归(AR)、差分(I)和移动*均(MA)，它们的含义分别是：

• AR表示自回归(Auto Regression)，
• I 表示单整阶数(Integration)，时间序列必须是*稳的，才能建立计量模型。对时间序列进行单位根检验，如果是非*稳序列，那么需要通过差分转化为*稳序列，经过几次差分转化为*稳序列，就称为几阶单整；
• MA表示移动*均模型(Moving Average)

ARIMA模型记作ARIMA(p，d，q)，p为自回归项数；q为滑动*均项数，d为使之成为*稳序列所做的差分次数(阶数)。“差分”是关键步骤，采用ARIMA模型预测的时序数据，必须是稳定的(*稳性)，不稳定的数据，是无法捕捉到时序规律的。

ARIMA模型实际上是AR模型和MA模型的组合，ARIMA模型与ARMA模型的区别：ARMA模型是针对*稳时间序列建立的模型，而ARIMA模型是针对非*稳时间序列建立的模型。换句话说，非*稳时间序列要建立ARMA模型，首先需要经过差分转化为*稳时间序列，然后建立ARMA模型。

• 模型的优点是：模型简单，只需要内生变量而不需要借助其他外生变量。
• 模型的缺点是：要求时序数据是稳定的，或者通过差分化之后是稳定的；本质上只能捕捉线性关系，不能捕捉非线性关系。

1，AR模型

描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足*稳性的要求

一般情况下，p阶自回归过程的公式定义：

yt是当前值，u是常数项，P是阶数，ri是自相关系数，et是误差，即 白噪声。

公式展开：

如果随机扰动项是一个白噪声( 

 )，即 u=0， 则称AR模型为一个纯AR(p)过程，记为：