金融数据分析·时间序列·ARIMA模型（附案例及代码）

第二章 金融时间序列线性模型

        时间序列是指将某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而成的序列。时间序列的发展可以追溯到1927年Yule提出的AR模型和1937年Walker提出的MA模型及将两个模型合并得到的ARMA模型；随后标志性的事件包括1970年Box和Jenkins中提出的ARIMA模型，1982年Engle提出的ARCH模型，1985年Bollerslov针对多变量的情况提出的GARCH模型。

        ARIMA(p,d,q)模型，全称为自回归差分移动平均模型，是一种广泛使用的统计方法，用于分析时间序列数据并预测未来值。ARIMA 模型用于对时间序列数据中的趋势、季节性和噪声（随机波动）进行建模。

        适用于非季节性的数据，它结合了自回归（AR）、差分（I）和移动平均（MA）三个部分，通过模型参数的拟合来预测未来的数据点。

• AR（自回归）：在时间序列数据中回归自己的滞后值，这是由在模型中的p值表示自回归的数量。换句话说，AR模型是使用过去时间的观测值的线性组合来预测当前/未来时间值。

• I（差分）：差分通过获取数据序列的差异使数据平稳。这使数据序列的趋势平稳，并使模型更适合建模。简单来说，差分就是计算相邻时间点上的数据差异。通过差分，我们可以消除趋势和季节性变化，使得数据更容易被模型捕捉和预测。这由模型中的“d”值表示。例如，d = 1，则查看两个时间序列条目之间的差分，如果d = 2，则查看在d = 1处获得的差分的差分。

• MA（移动平均）：MA模型使用过去时间的误差项的线性组合来估计当前时间的值。MA 的阶数q决定了过去误差项的回溯程度。

AR和MA模型的模型概念、公式、特征在本专栏其他章节已经详细展开，不再赘述。

ARIMA建模案例及Python代码

        我们选择1995年1月至2021年12月期间中国CPI月度数据进行分析&