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：

xt=μ+at−θ1at−1−...−θqat−q...........2.1

x_t = \mu + a_t - \theta_1a_{t-1} - ... -\theta_qa_{t-q} ...........2.1
或者：

xt=μ+(1−θ1B−...−θqBq)at.............2.2

x_t = \mu +(1- \theta_1B - ... - \theta_q B^q)a_t.............2.2
q⊆N+，μ为常量q \subseteq N+， \mu 为常量

3. MA（1）

3.1 模型公式

xt=μ+at−θat−1........................3.1

x_t = \mu + a_t - \theta a_{t-1}........................3.1

3.2 数学特征

期望

E(xt)=μ,.............3.2

E(x_t) = \mu,.............3.2

推导方法：直接对公式3.1两边求期望即可

方差

Var(xt)=（1+θ2）σa2,....................3.3

Var(x_t) = （1+{\theta}^2）{\sigma_a}^2,....................3.3

推导方法：直接对公式3.1两边求方差即可

自协方差
为了简单，令μ=0\mu = 0

在计算方差，协方差，相关系数时，对序列整体加减一常量不会对这几种数学特征的结果产生影响。

一阶

γ1=Cov(rt,rt−1)=−θσa2,..............3.4

\gamma_1 = Cov(r_t, r_{t−1}) = −\theta{\sigma_a}^2,..............3.4
k阶

γk=Cov(rt,rt−1)=0,k>0,..................3.5

\gamma_k = Cov(r_t, r_{t−1}) = 0, k > 0,..................3.5
所以对于MA（1）来说， xt只和xt−1x_t 只和x_{t-1}相关

自相关函数 ACF

ρk=⎧⎩⎨⎪⎪1,−θ1+θ2,0,if k=0if k=0if k>1

\rho_k = \begin{cases} 1, & \text{if $k = 0$} \\ \frac{-\theta}{1+ \theta^2}, & \text{if $k = 0$} \\ 0, & \text{if $k > 1$} \end{cases}

3.3 预测

从ACF可以看出，对于一阶MA模型来说，不会记忆1个周期以前的数据，所以只能进行单步预测；
超出一步预测后，数据将会变为均值

（1）预测

x̂ n(1)=μ−θan

\hat x_n(1) = \mu - \theta a_n
（2）误差

en(1)=xn+1−x̂ n(1)=an+1

e_n(1) = x_{n+1} - \hat x_n(1) = a_{n+1}
（3）误差波动率

Var(en(1))=σa2

Var(e_n(1)) = {\sigma_a}^2

4. MA（q）

4.1 模型公式

q阶模型公式：

xt=μ+at−θ1at−1−...−θqat−q...........4.1

x_t = \mu + a_t - \theta_1a_{t-1} - ... -\theta_qa_{t-q} ...........4.1
或者：

xt=μ+(1−θ1B−...−θqBq)at.............4.2

x_t = \mu +(1- \theta_1B - ... - \theta_q B^q)a_t.............4.2
q⊆N+，μ为常量q \subseteq N+， \mu 为常量

4.2 数学特征

期望

E(xt)=μ,.............4.3

E(x_t) = \mu,.............4.3

方差

Var(xt)=（1+θ12+θ22+.....θq2）σa2,..........4.4

Var(x_t) = （1+{\theta_1}^2+{\theta_2}^2+.....{\theta_q}^2）{\sigma_a}^2,..........4.4

自相关函数 ACF

4.3 预测

和MA（1）模型一样。

超出q阶的多不预测数据收敛于均值。

5. 模型参数估计

首先用PACF对模型进行定阶，然后根据历史数据估算参数。
比如说我们通过PACF定阶，确认MA模型为3阶，那么就可以用
xtx_t的历史数据xt−1,xt−2,xt−3x_{t-1}, x_{t-2}, x_{t-3}估算响应的参数，其中ata_t就可以很简单的算出来。
其它参数的估计有两种方法：

6. 参考文献

[1] MIT， Analysis of Financial Time Series
[2] 金融时间序列分析, Ruey S. Tray
[3] 金融时间序列分析, 炼数成金

金融时间序列分析：7. MA滑动平均模型相关推荐

QuantitativeFinance：量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介、Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略
QuantitativeFinance:量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介.Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略 ...
金融时间序列分析：8. MA模型实例（Python）
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 ...
金融时间序列分析：5. AR模型实例（Python）
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 ...
金融时间序列分析: 10. ARMA模型实例（R，Python）
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 ...
《协整理论与波动模型-金融时间序列分析及应用（第二版）》
内容详实的教科书,不过看起来比较累,能用数学公式的就没用汉字,估计作者是为了社会主义节省纸张吧. 不是我这个水平现在看的,先Mark后续需要深入再翻看 <协整理论与波动模型:金融时间序列分析及应 ...
python garch模型 forecast_Python时间序列分析--从线性模型到GARCH模型
目录一.Motivation 二.基础知识 1.平稳性 2.序列相关(自相关) 3.为什么我们关心序列相关性? 三.白噪声和随机游动四.线性模型五.对数线性模型六.AR模型(P) 七.移动平均 ...
金融数据分析实验三金融时间序列分析
实验原理了解金融时间序列的概念.基本原理.主要作用和特点等.掌握时间序列的构成因素和发展历史. 了解金融时间序列的统计特性,会计算平均值.方差.相关系数与偏相关系数. 了解时间序列模型,掌握模型的参 ...
matlab估计arma残差,写给你的金融时间序列分析：补完篇
摘要本文介绍时间序列分析中的 GARCH 模型,阐述使用 mean model 和 volatility model 对收益率序列联合建模的方法. 1 引言之前,我们推出了<写给你的时间序列 ...
金融时间序列分析：1. 基础知识
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 ...

金融时间序列分析：7. MA滑动平均模型