ARIMA模型

前述

介绍ARIMA模型前，首先需要了解一下这几个模型

1. AR 自回归模型（Autoregressive）

X_t=φ₁X_t-1+…+φ_pX_t-p+α_t

2. MA 移动平均模型（Moving Average）

X_t = α_t-θ₁α_t-1-…-θ_qα_t-q

3. ARMA（p,q）

X_t=φ₁X_t-1+…+φ_pX_t-p+α_t-θ₁α_t-1-…-θ_qα_t-q

平稳性以及可逆性

想要ARMA（p,q）模型有意义，则必须要满足平稳性以及可逆性，也就意味着序列的均值不回随着时间增加或者减少，序列的反差不随着时间变化，此外序列本身的相关模式也不发生改变。
但是一般在实际应用中，很难在数学上去验证这些条件，所以我们引进了自相关函数（ACF）以及偏相关函数（PACF）来对ARMA模型进行识别。

下图ACF随着时间（序列）的推移，函数平稳的收敛于原点，我们称之为拖尾。

下图PACF在前几个序列之后数据突然下降并在原点附近震荡，我们称之为截尾。

如何判断模型是AR模型还是MA模型还是ARMA模型？

ARIMA模型的由来

我平常的时间序列中，我们会看到其实很多序列在做了ACF以及PACF后并不能判断是什么样的序列，这时，我们就需要对这个模型进行一次差分，即后一项减去前一项来寻求序列之间的关系，从而找到合适的ARMA（p,q）进行拟合。
这个过程我们称作差分，整个过程就称作整合（integrated）ARMA模型即ARIMA（p,d,q）模型（其中d表示差分的次数）。

ARIMA(p,d,q)(P,D,Q)^S模型

ARIMA(p,d,q)(P,D,Q)^S是ARIMA(p,d,q)模型中增加了季节性因素所产生的模型。一般的，我们要对原有的序列进行分解，将季节部分与趋势部分进行分离，从而再分别用ARIMA（p,d,q）模型进行拟合。在实际操作过程中，需要进行反复比较。