时间序列ARIMA

ARIMA

传送门：https://www.bilibili.com/video/BV1dT4y1V7qW?p=3&share_source=copy_web

验证平稳性

要求我们用其时间特性的时候，就得需要该样本数据的均值和方差不发生明显的变化，就是按照现有的形状拟合延续

严平稳：数据的分布不随时间的改变而改变

弱平稳：未来某个时刻的数值依赖于过去的信息，有其依赖性

差分

时间序列t时刻与t-1时刻的差值

注意：一阶差分指的是t与t-1时刻差值，二阶差分是在一阶差分基础上再做一次差分，以此类推

AR

描述当前值和历史值之间的关系，需要用其自身的历史数据对自身进行预测

1、必须满足平稳性要求

2、p阶：若以天为单位，1阶表示当前和昨天计算，2阶表示和前天，以此类推

3、自相关系数γ小于0.5，不适合

MA

关注自回归模型的误差项，也就是对AR种的误差进行优化

ARMA

融合AR和MA的公式

所以，到现在为止，需要求p(自回归项)、q(移动平均项)、d(差分阶数)

ACF(自相关函数)

自相关函数反映了同一序列的数据在不同时刻的取值之间的相关性

PACF(偏自相关函数)

就是求ACF的时候，求出p=k，不是单纯的找出t和之前t-k单纯的两个时刻的相关关系

因为这其中会受到当前值t和之前k个值(t-1、t-2…t-k)的影响，所以需要剔除中间变量的影响

ACF包含其他变量影响，PACF是严格的两个变量之间的相关性

综合考虑

PACF—>p值

ACF—>q值

ARIMA建模三步走：

1、序列趋于平稳(差分法确定d)

2、p和q阶数确定：ACF、PACF

3、ARIMA

理清思路

传送门：

https://www.bilibili.com/video/BV1454y1v79B?share_source=copy_web

时间序列必然要带时间

会分为：

1、白噪声序列：也就是没有任何的规则

2、平稳非白序列：方差和均值是一个常数，可用AR MA ARMA

3、非平稳序列：差分变化后用ARIMA

--------------------------友善分割线，下文逐级操作--------------------------
传送门：https://www.bilibili.com/video/BV1Zz411e78y?share_source=copy_web

1、拿到待分析的数据

​ 做好预处理，做好日期列(标准化)、数据列

​ ⬇

2、检测平稳性：单调的肯定不是平稳的，ACF没有趋向于0的，再看看ADF看其p值是不是大于0.05(大于就是非平稳序列)

​ 不是平稳性序列，转换为平稳性序列(比如：差分) ➡ 差分后也要检测是否平稳(图像观察、ADF检测(p值))

​ ⬇

3、白噪声检验：通过LB进行检验，看其返回p值是否小于0.05(非白噪声)

​ 白噪声就此停止，非白噪声继续进行

​ ⬇

4、计算模型指标：ARIMA模型：p、d、q
看ACF和PACF的图像是拖尾的还是截尾的，选取合适模型
​
​ ⬇

5、参数调优：不同p、q的AIC、BIC取值

​ 要求BIC越小越好，AIC越小越好

​ ⬇

6、参数建模+残差检验：ARIMA建模

​ 将残差进行ACF、PACF检测 或者 建立QQ图，看是否符合正态分布(正态分布会拟合出一条直线) 再用ADF和LB进行检验符合白噪声属于纯随机

​ ⬇

7、预测：预测未来数据