时间序列学习(3):AR、MA及ARMA模型
时间序列学习(3):AR、MA及ARMA模型
- 1、AR模型
- 2、MA模型
- 3、ARMA模型
上篇笔记第2节说指数的对数收益率序列近似为一个白噪声。
如果投资标的的每日收益率就是白噪声,那完全可以建立多空头寸来捕捉收益率的大幅偏离。然而实际上,这种策略效果也不好。
如果采用不同的时间窗口,或者其它指数或个股,就会发现收益率序列在不同的时间间隔都有超过置信区间的自相关性。这说明每日收益率不是完全无关的。所以不能单纯地采用白噪声模型。
回顾上篇笔记的相关图,我们发现时间间隔较小的时候相关系数偏大;时间间隔越大,相关系数偏小。所以,能不能建一个模型,对近期的记忆较强,对远期的记忆弱一些。
这就是本篇笔记要介绍的自回归模型以及滑动平均模型。
1、AR模型
自回归模型 autoregressive model的定义如下:
时间序列{rt}\{r_t\}{rt}被称为一个ppp阶的自回归模型,记为AR(p)AR(p)AR(p)模型:
rt=α1rt−1+α2rt−2+...+αprt−p+wtr_t=\alpha_1r_{t-1}+\alpha_2r_{t-2}+...+\alpha_pr_{t-p}+w_trt=α1rt−1+α2rt−2+...+αprt−p+wt
=∑i=1Pαirt−i+wt=\sum^P_{i=1}\alpha_ir_{t-i}+w_t=i=1∑Pαirt−i+wt
其中,wtw_twt是一个白噪声中的随机变量。
上述模型是多元线性回归模型,只是变量和自变量都是时间序列中不同时间点的随机变量。它研究的是时间序列自身的多元线性回归关系,所以称为自回归模型。
用自回归模型建模时需要确定阶数ppp。
自回归模型不都是平稳的。当p=1,α1=1p=1,\alpha_1=1p=1,α1=1,时,这个一阶自回归模型AR(1)AR(1)AR(1)实际上就是随机游走。上篇笔记给出了随机游走不稳定的说明。
如果一个自回归模型AR(p)AR(p)AR(p)是平稳的,那么它就有下面的性质:
- 均值为0(或者是一个常数c);
- 间隔为kkk的自协方差可用如下递归式表示(利用了协方差的可加性):
γk=∑i=1pαiγk−i,k≥0\gamma_k=\sum^p_{i=1}\alpha_i\gamma_{k-i}, k\ge0γk=i=1∑pαiγk−i,k≥0
- 间隔为kkk的自相关系数可用如下递归式表示:
ρk=∑i=1pαiρk−i,k≥0\rho_k=\sum^p_{i=1}\alpha_i\rho_{k-i}, k\ge0ρk=i=1∑pαiρk−i,k≥0
2、MA模型
用自回归模型建模股价收益率,是建立在ttt时刻收益率是t−p,...,t−1t-p,...,t-1t−p,...,t−1时刻收益率的线性组合的假设上。
与AR模型不同,移动平均模型 moving average对收益率建模假设ttt时刻收益率是白噪声在不同时刻随机变量的线性组合。
如果时间序列{rt}\{r_t\}{rt}是一个qqq阶的移动平均模型(记为MA(q)MA(q)MA(q)),那么MA(q)
长成下面这样:
rt=wt+β1w1+...+βqwqr_t=w_t+\beta_1w_1+...+\beta_qw_qrt=wt+β1w1+...+βqwq
其中,序列{wt}\{w_t\}{wt}是一个白噪声。
MAMAMA模型一定是平稳的。它的序列均值为0(假设序列{wt}\{w_t\}{wt}均值为0,也可以是常数);它的间隔k的自相关系数如下:
- 若k=1k=1k=1,ρk=1\rho_k=1ρk=1;
- 若k=1,...,qk=1,...,qk=1,...,q,ρk=∑i=0q−kβiβi+k/∑i=0qβi2\rho_k=\sum^{q-k}_{i=0}\beta_i\beta_{i+k}/\sum^q_{i=0}\beta_i^2ρk=∑i=0q−kβiβi+k/∑i=0qβi2;
- 若k>qk\gt qk>q,ρk=0\rho_k=0ρk=0。
你也许会觉得MAMAMA模型和随机游走很像,都是白噪声的累加。为什么随机游走是不平稳,而MAMAMA模型是平稳的。
这里要注意,MAMAMA模型的白噪声线性组合中的变量个数是由阶数qqq固定的,而随机游走的的白噪声变量个数是与ttt相关的。
上面也已经说明了,随机游走其实是ARARAR模型的一个特例。
3、ARMA模型
如果用自回归模型建模股价收益率,实际上是在捕捉市场的动量或者反转效应。
如果用移动平均模型建模股价收益率,又是在捕捉由于外界扰动因子对整个平衡的打破(体现在加权系数β1,...,βq\beta_1,...,\beta_qβ1,...,βq上)。
如果想同时获得上述两类信息的建模,那么很简单地就是将AR和MA通过做简单的线性方式结合起来,也就是自回归移动平均模型(autoregressive moving average model)。
如果时间序列{rt}\{r_t\}{rt}是一个(p,q)(p,q)(p,q)阶的自回归移动平均模型(记为ARMA(p,q)ARMA(p,q)ARMA(p,q)),那么,ARMA(p,q)ARMA(p,q)ARMA(p,q)长成下面这样:
rt=α1rt−1+α2rt−2+...+αprt−p+β1w1+...+βqwq+wtr_t=\alpha_1r_{t-1}+\alpha_2r_{t-2}+...+\alpha_pr_{t-p}+\beta_1w_1+...+\beta_qw_q+w_trt=α1rt−1+α2rt−2+...+αprt−p+β1w1+...+βqwq+wt
用ARMA模型建模需要确定阶数、还有很多参数、需要检验残差项的自相关性(也就是那个wtw_twt)等等。这些在后面的笔记详细阐述。
时间序列学习(3):AR、MA及ARMA模型相关推荐
- 异常检测:综述(基本都是无监督算法)【时间序列算法:AR/MA/ARMA】【传统机器学习算法:孤独森林、One Class SVM】【深度学习算法:AutoEncoder、LSTM、DeepLog】
一.什么是异常值? 在机器学习中,异常检测和处理是一个比较小的分支,或者说,是机器学习的一个副产物,因为在一般的预测问题中,模型通常是对整体样本数据结构的一种表达方式,这种表达方式通常抓住的是整体样本 ...
- 时间序列分析ARMA模型原理及Python statsmodels实践(上)
目录 1. 时间序列及相关基本概念 1.1. 时间序列分解 1.2. 时间平稳序列 1.3. 自相关与自相关函数(ACF) 1.4. 白噪声及Ljung-Box检验 1.4.1. 白噪声 1.4.2. ...
- 时间序列之AR、MA、ARMA、ARIMA模型
参考:<时间序列分析-基于R王燕 编著> 一.时间序列分析 时间序列分法主要针对动态数据进行处理.该方法是以数理统计学方法和随机过程理论为基础,并对一序列随机数据所遵从的统计规律进行研究, ...
- arma模型平稳性和可逆性的条件_时间序列预测模型ARIMA实现
前段时间整理了一个预测的基本思考框架和常见的方法,其中提到了ARIMA模型,在<大数据预测>那本书里,ARIMA是单独开辟一章讲的,比较复杂和难理解的一个模型,自己最近找了点资料粗浅学习了 ...
- 【Python数据分析】时间序列分析——AR/MA/ARMA/ARIMA
目录 一.时间序列的平稳性与差分法 1.时间序列的平稳性: 2.平稳性检验 3.纯随机性检验 4.差分法 二.平稳时间序列模型 1.AR模型 2.MR模型 3.ARMA模型 4.平稳时间序列建模步骤 ...
- 基于ARMA模型的国内生产总值时间序列预测研究
tushare ID:505144 按照[时间序列分析]ARMA预测GDP的python实现 - 知乎实现 基于ARMA模型对国内生产总值进行预测研究,首先对数据进行平稳化处理,然后识别与建立模型,根 ...
- R语言时序-AR、MA与ARMA的判断及定阶
模型判断: ACF拖尾 ACF截尾 PACF拖尾 ARMA(p,q) MA(q) PACF截尾 AR(p ) 序列本身不存在明显的自相关性,ARMA类模型可能不适用 Step1 看ACF图: – AC ...
- 数据挖掘算法之时间序列算法(平稳时间序列模型,AR(p),MA(q),(平稳时间序列模型,AR(p),MA(q),ARMA(p,q)模型和非平稳时间序列模型,ARIMA(p,d,q)模型)学习笔记梳理
时间序列算法 一.时间序列的预处理 二.平稳时间序列模型 (一).自回归模型AR( p ) (二).移动平均模型MA(q) (三).自回归移动平均模型ARMA(p,q) 三.非平稳时间序列模型 四.确 ...
- 时间序列模型——AR、MA、ARMA、ARIMA
这里写目录标题 时间序列模型 自回归模型 差分与非平稳序列 差分 检验不平稳 移动平均模型 移动平均法 MA模型 ARMA模型 ARIMA 建模方法 时间序列模型 常用的时间序列模型有四种:自回归模型 ...
最新文章
- 后浪优秀!21 岁小伙兼职程序员养家,大三存款达 6 位数
- 6个2教你认识递归的力量!
- 皮一皮:外语学的好,就是这么溜~
- BluePrint和ORM
- 在laravel5.8中集成swoole组件----用协程实现的服务端和客户端(nginx配置篇章)
- 05-03 docker 常用命令
- 2021年最新UI/UE设计学习路线图
- 给你出道题---最佳组合问题
- 简单选择排序_一文带你读懂排序算法(一):冒泡 amp; 快速选择排序 amp; 简单插入排序算法...
- CentOS安装后初始配置
- Vivado:信道编码卷积编码和RS编码IP核
- 【投稿提醒】2023年数字信号处理前沿国际会议(CFDSP 2023)
- Java主流框架的介绍
- 第一个Java Web的小case
- NURBS Curves
- 06 Errors For Go1.13
- 锐化pdf文件(图片形式)
- git 安装后,右键没有 git clone
- 电子时钟的模拟(C++结构体与模块化开发)
- windows下快速实现labelImg环境配置