什么是box-jenkins模型(the box-jenkins model)？

Box-Jenkins模型是一个数学模型，用于根据特定时间序列的输入预测数据范围。Box-Jenkins模型可以分析几种不同类型的时间序列数据以进行预测。

其方法利用数据点之间的差异来确定结果。该方法允许模型使用自回归、移动平均和季节差异来确定趋势，以生成预测。

自回归综合移动平均（ARIMA）模型是Box-Jenkins模型的一种形式。术语ARIMA和Box-Jenkins有时可以互换使用。

关键要点

• Box-Jenkins模型是一种利用时间序列数据进行回归研究的预测方法。
• 该方法基于过去的事件影响未来的假设。
• 它最适合在18个月或更短的时间内进行预测。
• ARIMA计算是用复杂的工具完成的，比如R编程语言中的可编程统计软件。

理解box-jenkins模型

Box-Jenkins模型用于预测各种预期数据点或数据范围，包括业务数据和未来证券价格。

Box-Jenkins模型是由两位数学家georgebox和gwilymjenkins创建的。这两位数学家在1970年出版的《时间序列分析：预测和控制》一书中讨论了构成这个模型的概念

Box-Jenkins模型的参数估计可能非常复杂。因此，与其他时间序列回归模型类似，最佳结果通常通过使用可编程软件来实现。Box-Jenkins模型通常也最适合18个月或更短的短期预测。

box-jenkins方**

Box-Jenkins模型是预报员在使用程序化预报软件时遇到的几种时间序列分析模型之一。在许多情况下，软件将被编程为根据要预测的时间序列数据自动使用最佳拟合预测方法。据报道，Box-Jenkins是数据集最稳定、波动性小的首选。

Box-Jenkins模型使用三个原理预测数据：自回归、差分和移动平均。这三个原理分别称为p、d和q。在Box-Jenkins分析中使用了每一个原理，它们一起被表示为ARIMA（p，d，q）。

自回归（p）过程检验数据的平稳性水平。如果使用的数据是平稳的，它可以简化预测过程。如果所使用的数据是非平稳的，则需要进行差分（d）。在分析过程的第q部分，还测试了数据的移动平均拟合。总的来说，数据的初步分析通过确定用于制定预测的参数（p、d和q）为预测做好准备。

一次冲击将无限地影响Box-Jenkins模型的后续值。因此，金融危机的遗留问题仍然存在于当今的自回归模型中。

了解自回归综合移动平均（arima）

Box-Jenkins模型是一种自回归综合移动平均（ARIMA）模型，用来衡量一个因变量相对于其他变化变量的强度。该模型的目标是预测未来的证券或金融市场的走势，通过检查系列价值之间的差异，而不是通过实际价值。

ARIMA模型可以通过概述其每个组成部分来理解，如下所示：

• 自回归 (AR）：指的是一个模型，它显示了一个变化的变量，该变量在其自身滞后的情况下进行回归，或者 以前，价值观。
• 综合（一）： 代表 原始观测值的差异 对于平稳的时间序列，即数据值被数据值和先前值之间的差所取代。
• 移动平均（MA）：  将观测值与应用于滞后观测值的移动平均模型的残差之间的相关性合并。

预测股票价格

Box-Jenkins模型分析的一个用途是预测股票价格。这种分析通常是通过R软件构建和编码的。分析结果为对数结果，可应用于数据集，以生成未来特定时期的预测价格。

ARIMA模型是基于过去的价值对当前或未来价值有一些剩余影响的假设。例如，投资者使用ARIMA模型预测股票价格时，会假设股票的新买家和卖家在决定提供或接受多少证券时会受到最近市场交易的影响。

尽管这种假设在许多情况下都成立，但情况并非总是如此。例如，在2008年金融危机之前的几年里，大多数投资者没有意识到许多金融公司持有的大型抵押贷款支持证券（MBS）组合所带来的风险。在这段时间里，如果投资者使用自回归模型预测美国金融股的表现，那么他就有充分的理由预测该行业股价持续稳定或上涨的趋势。然而，一旦公众知道许多金融机构面临着即将崩溃的风险，投资者突然对这些股票的近期价格不再那么关注，而是更加关注其潜在的风险敞口。因此，市场迅速地将金融股重新估值到一个更低的水平，这一举动将彻底扰乱自回归模型。