平稳序列

平稳序列中，往往$(X_1,\cdots,X_n)$与$X_{n+1}$不独立。所以利用历史样本来预测未来时间就有了可能。

一般来讲，获取平稳序列的办法是：将时间序列的趋势项和季节项都去掉。只留下随机项。

首先看一下自协方差函数。它满足三条性质（称为非负定序列）：

• 对称性
• 非负定性：自协方差矩阵是非负定的。
• 有界性：$|\gamma_k|\le\gamma_0$

样本的自协方差函数：$\hat{\gamma_k}=\frac{1}{N}\sum_{t=1}^{N-k}(x_{t+k}-\bar{x})(x_t-\bar{x})$

模型与基本数据

1. 平稳序列：如果一个时间序列：二阶矩有限，一阶矩为常数，自协方差函数对于各个位置相同。这三个角度也是刻画时间序列的常用角度。
   
   • 平稳序列的平稳性主要体现在均值不变、方差有限。别的限制很弱。自协方差函数的不变性仍然允许周期性的出现。
   • 平稳序列的周期性：可以体现在它的自协方差函数。
2. 序列相关性：连续n个点上面的自协方差矩阵退化$\Leftrightarrow$存在非0的n维实数向量使得这n个点的线性组合的方差为0. 即这n个点的r.v. 线性相关。如果有n个向量线性相关，那么任意n+1个连续随机变量也是线性相关的。
   
   • 时间序列的线性变换指的是对每个r.v.进行线性变换，而不是多个r.v.的加和。平稳序列经过线性变换之后仍然是平稳序列。
3. 自相关函数：平稳序列$\{X_t\}$标准化后的序列$\{Y_t\}$的自协方差函数$\rho_k=\gamma_k/\gamma_0$. 它也是非负定序列。
4. 白噪声：白噪声是最简单的平稳序列，它比正常假设多了一条：二阶矩不相关。即$Cov(\epsilon_t,\epsilon_s)=\delta_{t-s}\sigma^2$
   
   • 分类：独立白噪声、零均值白噪声、标准白噪声、正态白噪声……
   • 白噪声主要用来描述简单随机干扰。
   • Poisson白噪声：Poisson过程减去均值，就是一个Poisson白噪