金融时间序列分析：7. MA滑动平均模型

0. 目录

金融时间序列分析：9. ARMA自回归移动平均模型
金融时间序列分析：8. MA模型实例（Python）
金融时间序列分析：7. MA滑动平均模型
金融时间序列分析：6. AR模型实例
金融时间序列分析：5. AR模型实例（Python）
金融时间序列分析：4. AR自回归模型
金融时间序列分析：3. First Demo By Python
金融时间序列分析：2. 数学分析模型
金融时间序列分析：1. 基础知识

---

1. 前言

AR和MA模型是时序数据分析两个最基本的模型。

AR仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受模型变量相互独立的假设条件约束，所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性等造成的困难

简单来说：AR模型是通过分析研究历史数据对当前数据的影响进行建模。

MA模型是用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。

2. MA模型

q阶模型公式：

$$x_t = \mu + a_t - \theta_1a_{t-1} - ... -\theta_qa_{t-q} ...........2.1$$
或者：
$$x_t = \mu +(1- \theta_1B - ... - \theta_q B^q)a_t.............2.2$$
$q \subseteq N+， \mu 为常量$

3. MA（1）

3.1 模型公式

xt=μ+at−θat−1............