时序算法—AR、MA、ARMA和ARIMA模型以及Auto ARIMA

引言

  时间序列分析的目的是给定一个已被观测了的时间序列，预测该序列的未来值。ARIMA模型系列模型常用于基于时间序列的短期预测。为方便后面理解，这里简单介绍拖尾与截尾的含义。

• 截尾是指时间序列的自相关函数（ACF）或偏自相关函数（PACF）在某阶后均为0的性质（比如AR的PACF）
  

• 拖尾是ACF或PACF并不在某阶后均为0的性质（比如AR的ACF）
  
  这里简单介绍时序模型算法中常用的函数
  

一、模型介绍

1.AR模型

  AR模型又称为$p$阶自回归模型，记$AR(p)$。即在$t$时刻的随机变量$X_t$的取值$x_t$是前$p$期$x_{t-1},x_{t-2},...,x_{t-p}$的多元线性回归。$x_t$受过去$p$期的序列值的影响。误差项是当期的随机干扰${\epsilon }_t$,为零均值白噪声序列。

平稳AR模型的性质：

2.MA模型

  MA模型又称为$q$阶移动平均模型，记$MA(q)$。即在$t$时刻的随机变量$X_t$的取值$x_t$是前$q$期$随机扰动{\epsilon }_{t-1},{\epsilon }_{t-2},...,{\epsilon }_{t-p}$的多元线性回归。$x_t$受过去$q$期的误差项的影响。误差项是当期的随机干扰${\epsilon }_t$,为零均值白噪声序列。

平稳MA模型的性质：

3.ARMA模型

  ARMA模型又称为自回归移动平均模型，记$ARMA(p,q)$。即在$t$时刻的随机变量 X t X_t