用ARMA模型做时间序列分析预测

根据技术理论，未来的市场价格是可以通过过去的交易信息进行分析和预测的。但是根据过去来分析和预测未来，会有两个截然不同的方向：一个是趋势理论，这个理论说价格走势会自我强化，上涨的价格会愈发上涨，而下跌的价格则愈发下跌。另一个是均值回归理论，这个理论说价格走势不过是围绕价值中枢的随机波动，跌多了会上涨，涨多了会下跌。

根据趋势理论，人们发明了自回归技术（auto regression - AR）。而根据均值回归理论，人们又发明了均线技术（moving average - MA）。当然，就像海飞丝二合一洗发水广告一样，总会有一些偷懒的人想要一次性解决所有问题。于是，大家找到了ARMA模型。

ARMA模型，又称为ARMA (p,q)模型。其核心思想就是当前正如名字所显示的，整个模型的核心就是要确定p和q这两个参数。其中，p决定了我们要用几个滞后时期的价格数据，而q决定了我们要用几个滞后时期的预测误差。

简单来说，ARMA模型做了两件事。一是基于趋势理论，用历史数据来回归出一个当前的价格预测，这个预测反映了自回归的思想。但是这个预测必然是有差异的，所以ARMA模型根据历史的预测误差也回归出一个当前的误差预测，这个预测反映了加权平均的思想。用价格预测加上误差预测修正，才最终得到一个理论上更加精确的最终价格预测。

举例来说，假设我们用ARMA (2,2)模型来预测万科的股价，模型的回归参数预测是AR-1=AR-2=0.5, MA-1= 0.6, MA-2=0.4。并且已知万科过去2天的股价是10块和12块，以及已知这个模型在过去两天的实际预测误差是1块和2块，那么ARMA模型就可以预测当天万科的股价是0.5*10+0.5*12+0.6*1+0.4*2=12.4元。

比起简单的自回归模型或者以时间为基础的简单趋势预测模型，ARMA模型最大的优势，在于综合了趋势理论和均值回归理论，理论上的精确度会比较高。

但是其最难以把握的也是如何确定p和q的参数值。毕竟参数只要定了，剩下的都是跑软件算法的小问题。但是p和q如何定呢？目前没有一个绝对的标准。要么是从1开始一个个参数去试错，要么就计算一下预测价格/误差和过去几个滞后期的变量相关值较大，然后把较大的几个作为p值或者q值的估计值代入模型看看是否显著。这个参数确定的过程，对于量化分析师本身的经验（或者运气？）提出了较大的要求。即便是找到了显著的参数构建起一个可用的ARMA模型，其参数也要根据日后市场的变化而及时调整。

 来源：量化投资俱乐部

拓展阅读：

1.一个量化策略师的自白（好文强烈推荐）

2.市面上经典的量化交易策略都在这里了！（源码）

3.期货/股票数据大全查询（历史/实时/Tick/财务等）

4.干货| 量化金融经典理论、重要模型、发展简史大全

5.从量化到高频交易，不可不读的五本书

6.高频交易四大派系大揭秘