ARIMA原理简单介绍

Autoregressive Integrated Moving Average (ARIMA)

ARIMA,自回归差分移动平均模型,通过采用过去的观测结果,并考虑差分、自回归和移动平均分量来分离信号和噪声。可以通过最小化AIC来寻找最优的模型参数。AIC准则是由日本统计学家Akaike与1973年提出的,全称是最小化信息量准则(Akaike Information Criterion)。它是拟合精度和参数个数的加权函数:

AIC=2(模型参数的个数)-2ln(模型的极大似然函数)

ARIMA模型主要由以下几部分组成:

i自回归模型AR

自回归模型描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测。自回归模型必须满足平稳性(平稳性要求序列的均值和方差不发生明显变化)的要求。自回归模型首先需要确定一个阶数p,表示用几期的历史值来预测当前值。p阶自回归模型的公式定义为:
μ是常数项,γi是自相关系数,最后一项是误差项

ii移动平均模型MA

移动平均模型关注的是自回归模型中的误差项的累加 ,能有效地消除预测中的随机波动。q阶自回归过程的公式定义如下:
在这里插入图片描述

iii差分法

使用差分法可以使得数据更平稳,常用的方法就是一阶差分法和二阶差分法。
将自回归模型、移动平均模型和差分法结合,我们就得到了差分自回归移动平均模型ARIMA(p,d,q),其中d是需要对数据进行差分的阶数。
下图是对一个百度指数序列进行一阶差分和二阶差分后的对比图,可以明显看出经过差分之后的序列基本在一个稳定水平波动。
ARIMA原理简单介绍_第1张图片

你可能感兴趣的:(时间序列)