“ 常用的时间序列模型有四种:自回归模型 AR(p)、移动平均模型 MA(q)、自回归移动平均模型 ARMA(p,q)、自回归差分移动平均模型 ARIMA(p,d,q), 可以说前三种都是 ARIMA(p,d,q)模型的特殊形式。本文主要围绕着如何使用ARIMA模型实现对股指期货价格走势的预测。”
01
—
ARIMA模型
本文主要使用ARIMA模型实现对股指期货价格走势的预测,而使用ARIMA的模型主要包括以下四大步骤ARIMA模型(英语:Autoregressive Integrated Moving Average model),差分整合移动平均自回归模型,又称整合移动平均自回归模型(移动也可称作滑动),是时间序列预测分析方法之一。ARIMA(p,d,q)中,AR是“自回归”,p为自回归项数;MA为“滑动平均”,q为滑动平均项数,d为使之成为平稳序列所做的差分次数(阶数)。“差分”一词虽未出现在ARIMA的英文名称中,却是关键步骤。
百度百科
数据平稳性检验
模型定阶
模型参数检验
模型预测
02
—
数据获取和平稳性检验
ARIMA 模型是在平稳的时间序列基础上建立起来的,因此时间序列的平稳性是建模的重要前提。检验时间序列模型平稳的方法一般采用 ADF 单位根检验模型去检验。当然如果时间序列不稳定,也可以通过一些方法使得时间序列稳定
定义基础函数
# 获取数据def getData(filename): IF = pd.read_csv(filename,encoding='utf-8',index_col = 'date',parse_dates = True) IF_price = IF[['close']] return IF_price # 单位根检验:ADF是一种常用的单位根检验方法# 原假设为:序列具有单位根,即非平稳,# 对于一个平稳的时序数据,就需要在给定的置信水平上显著,拒绝原假设。# ADF只是单位根检验的方法之一def testStationarity(timeSe