时序分析(5)
ARMA(p,q)模型
前两篇文章我们分别探讨了AR模型和MA模型对时序数据进行建模,这一节我们主要讨论ARMA模型。从名字中我们可以推知,ARMA模型是AR模型和MA模型的一种组合。
首先我们介绍ARMA模型的基本概念:
AutoRegression Moving Average Models - ARMA(p,q)
- AR模型是尝试捕捉和解释金融交易市场的动量和均值反转效果
- MA模型是尝试捕捉和解释在白噪声项中所观测到的振荡效果,这些震荡可以被理解为影响所观测过程的非预期事件造成的影响,例如超额收益等。
ARMA模型就是这两者的联合,它的主要缺点是忽略了在金融市场时序数据中经常可见的波动聚簇现象(Volatility Clustering),模型公式如下:
y t = α 1 y t − 1 + α 2 y t − 2 + . . . + α p y t − p + ω t + β 1 ω t − 1 + . . . + β q ω t − q y_t=\alpha_1y_{t-1}+\alpha_2y_{t-2}+...+\alpha_py_{t-p}+\omega_t+\beta_1\omega_{t-1}+...+\beta_q\omega_{t-q} yt=α1yt−1+α2yt−2+...+αpyt−p+ω