arima基本原理_ARIMA模型原理及实现

1、数据介绍

再介绍本篇的内容之前，我们先来看一下本文用到的数据。本文用到的中国银行股票数据下载：http://pan.baidu.com/s/1gfxRFbH，提取码d3id。

我们先来导入一下我们的数据，顺便画出收盘价数据的折线图：import pandas as pd

import matplotlib.pyplot as plt

ChinaBank = pd.read_csv('ChinaBank.csv',index_col = 'Date',parse_dates=['Date'])

#ChinaBank.index = pd.to_datetime(ChinaBank.index)

sub = ChinaBank['2014-01':'2014-06']['Close']

train = sub.ix['2014-01':'2014-03']

test = sub.ix['2014-04':'2014-06']

plt.figure(figsize=(10,10))

print(train)

plt.plot(train)

plt.show()

数据如下：

介绍了数据，我们接下来进入今天的正题。

2、时间序列平稳性

2.1 平稳性

平稳性就是要求经由样本时间序列所得到的拟合曲线在未来一段时间内仍能顺着现有的形态惯性地延续下去。平稳性要求序列的均值和方差不发生明显变化。

严平稳

严平稳表示的分布不随时间的改变而改变。如白噪声(正太),无论怎么取，都是期望为0，方差为1

宽平稳

期望与相关系数(依赖性)不变。未来某时刻的t的值Xt就要依赖于它的过去信息，所以需要依赖性。这种依赖性不能有明显的变化。

2.2 差分法

使用差分法可以使得数据更平稳，常用的方法就是一阶差分法和二阶差分法。

时间序列差分值的求解可以直接通过pandas中的diff函数得到：ChinaBank['Close_diff_1'] = ChinaBank['Close'].diff(1)

ChinaBank['Close_diff_2'] = ChinaBank['Close_diff_1'].diff(1)

fig = plt.figure(figsize=(20,6))

ax1 = fig.add_subplot(131)

ax1.plot(ChinaBank['Close'])

ax2 = fig.add_subplot(132)

ax2.plot(ChinaBank['Close_diff_1'])

ax3 = fig.add_subplot(133)

ax3.plot(ChinaBank['Close_diff_2'])

plt.show()

绘制的图如下所示：

可以看到，基本上时