时间序列模型matlab_时间序列模型以及可行性检验

时间序列是金融市场中最核心的数据类型，在这个数据基础上发展出了很多的模型，并实际用在了预测中，这些模型是否靠谱，是否能够投产需要经过严格的检验。这篇文章尽量用最简洁的语言对这个过程进行概括。

开始之前，我们需要明确几个概念：

平稳（stationarity）：

假设

是在时间t上的时间序列数据。如果对所有的

（i = 1，2，3，4...）。

,

...

的联合分布与

,

...

的联合分布相同。那么我们说

是平稳的。

代表任意时间长度。

更加通俗的说法就是，从时间序列上任意截取两个样本，两个样本的联合分布（均值，方差）是一样的。时间序列上的模型主要目标就是找到这个平稳的序列。

AR（AutoRegression Model）模型：

，这里

代表高斯白噪声。

也就是说，t时刻的值和前p个时刻的值有线性关系。这个P也叫order，或者叫阶数。

这里需要注意的是，随机游走作为AR模型的一个特例，它并不是平稳的。原因是随机游走的均值、方差和游走的时长是函数关系。所以并不是平稳。只有模型的单位根都超过一的时候，我们可以说这个模型是平稳的。

AR模型是在随机游走基础上衍生出来，对时间序列最简单的模型。对周期发生的时间序列有一定的意义。金融市场受很多因素的影响，AR模型的效果并不理想，但是它为后续的模型提供了一个基础。

如何判断时间序列存在自相关：
检查correlogram，自相关图就可以发现不同时差的变量相关性。自相关图的基本原理就是计算

与

的相关系数。当k等于0的时候，相关性等于1。

MA（Moving Average）模型

这里

代表高斯白噪声，均值为0，标准差为

。MA模型假设的是随机变量和前q个之间的噪声有线性关系，而这些噪声都符合一个相同的分布。

同样，和AR模型类似，MA模型是为了后面更加复杂模型的基础模型。这里就不展开讲。

ARMA (Auto Regression and Moving Average)模型

ARMA模型是结合了AR和MA的复合模型。

从模型里面可以看出，ARMA就是AR模型和MA模型的线性组合。

ARIMA（Auto-regression Integrated Moving Average）模型

相比上面的ARMA，这里增加了一个Integrated。

Integrated表示差分。比如[1,2,3,4,5]的一阶差分是[1,1,1,1]。也就是前一项减去后一项。二阶差分是[0，0，0]。注意差分后的元素数量递减。

ARIMA(p,d,q)模型的定义就是

经过d阶差分后，符合ARMA(p,q)的分布。

ARCH（Autoregression Conditional Heteroskedastic）模型

在之前的模型中，没有考虑到波动性的自相关问题，也就是说波动性会出现聚集的现象，比如某段时间波动性相对较高，而另外一段时间波动性相对较低。也就是这里的Conditional Heteroskedastic现象。

ARCH模型将波动性加入到模型假设中。下面是ARCH(1)模型。

的均值为0，方差为1。

ARCH模型看起来很奇怪，为什么要这样设计，如果对

计算方差。可以看出

计算过程比较麻烦，各位自行计算吧。

可以看到t时间的方差和上个时间的方差自相关。这样，模型就把方差考虑到了。可以认为ARCH模型就是针对方差的AR模型。

GARCH（Generalised Autoregressive Conditional Heteroskedastic）模型

上面的ARCH模型只对波动性建模，并没有考虑到AR和MA的问题，GARCH模型就是这个基础上的改良。

上面的模型中，方差被单独建模，随机变量和方差线性相关。

换句话说，GARCH模型是方差上的ARMA模型。

从上面的过程中可以看到，时间序列模型是在基础模型的基础上各种改良和组合进化而来。