时间序列概念及主要模型（白噪声，AR, MA, ARMA, ARIMA）

时间序列分析
时间序列是按照时间顺序，按照一定时间间隔取得的一系列观测值
怎样做时间序列分析
时间序列分析尝试找出序列值在过去呈现的特征模式，假定这种模式在未来能够持续，进而对未来进行预测
时间序列基本特征：趋势性，序列相关性，随机性
时间序列模型预测方法：算术平均法，移动平均法，加权移动平均法，指数平滑法，自回归法和移动平均法（ARIMA）
ARIMA模型优点：信息浪费最少，集趋势性，相关性和随机性于一身

时间序列三大特征
序列相关性
– 自相关系数（ACF）：用来度量同一事件在不同时期之间的相关程度
– 偏自相关系数（PACF）：度量去除中间变量影响后的相关程度
趋势性
随机性




ARIMA会用到差分，将不平稳数据先变得平稳，再用ARMA模型

ARIMA模型是在ARMA模型演变出来的，它实际上是先对数据做了差分，之后再使用ARMA模型；换句话说，ARIMA模型是先将非平稳数据变得平稳（用差分），之后再用ARMA模型处理平稳数据