什么是自回归综合移动平均法(an autoregressive integrated moving average (arima))？

自回归综合移动平均（ARIMA）是一种统计分析模型，它使用时间序列数据来更好地理解数据集或预测未来趋势。

如果统计模型基于过去的值预测未来的值，那么它就是自回归的。例如，ARIMA模型可能试图根据股票过去的表现来预测股票的未来价格，或者根据过去的时期来预测公司的收益。

关键要点

• 自回归综合移动平均（ARIMA）模型基于过去的价值预测未来的价值。
• ARIMA利用滞后移动平均来平滑时间序列数据。
• 它们广泛应用于预测未来证券价格的技术分析中。
• 自回归模型隐含地假设未来将与过去相似。
• 因此，在某些市场条件下，例如金融危机或技术迅速变化的时期，它们可能被证明是不准确的。

了解自回归综合移动平均（arima）

自回归综合移动平均模型是一种回归分析的形式，它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（I）：代表 原始观测值的差异 使时间序列变得平稳（即，数据值被数据值和先前值之间的差值替换）。
• 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。

arima参数

ARIMA中的每一个分量都作为一个参数使用标准符号。对于ARIMA模型，标准表示法是带有p、d和q的ARIMA，其中用整数值代替参数，以指示所使用的ARIMA模型的类型。参数可定义为：

• p：模型中滞后观测值的数量；也称为滞后顺序。
• d：原始观测值相差的次数；也称为差异程度。
• q：移动平均窗口的大小；亦称为 移动平均线的顺序。

例如，在线性回归模型中，包含了术语的数量和类型。可以用作参数的0值表示不应在模型中使用特定组件。通过这种方法，可以构造ARIMA模型来实现ARMA模型的功能，甚至可以构造简单的AR、I或MA模型。

由于ARIMA模型非常复杂，而且最适合于非常大的数据集，因此使用计算机算法和机器学习技术来计算它们。

自回归综合移动平均（arima）与平稳性

在自回归综合移动平均模型中，为了使数据平稳，需要对数据进行差分。一个显示平稳性的模型就是一个显示数据随时间变化的恒常性的模型。大多数经济和市场数据都显示出趋势，因此差异化的目的是消除任何趋势或季节结构。

季节性，或者当数据显示在一个日历年内重复的规律和可预测的模式时，可能会对回归模型产生负面影响。如果出现趋势而平稳性不明显，则整个过程中的许多计算都无法取得很好的效果。

一次冲击将无限地影响ARIMA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。

特别注意事项

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。

常见问题

什么是阿里玛用于(arima used for)？

ARIMA是一种基于历史时间序列预测未来结果的方法。它基于序列相关性的统计概念，过去的数据点影响未来的数据点。

什么是自回归模型与移动平均模型的区别(the differences between autoregressive and moving average models)？

ARIMA将自回归特征与移动平均特征相结合。例如，AR（1）自回归过程是当前值基于前一个值的过程，而AR（2）过程是当前值基于前两个值的过程。移动平均是一种计算方法，通过创建完整数据集不同子集的一系列平均值来分析数据点，以消除异常值的影响。由于这种技术的结合，ARIMA模型在进行预测时可以考虑趋势、周期、季节性和其他非静态类型的数据。

arima预测是如何工作的？

ARIMA预测是通过**感兴趣的变量的时间序列数据来实现的。统计软件将确定适用于数据的适当滞后数或差异量，并检查平稳性。然后它将输出结果，这些结果通常与多元线性回归模型的结果类似。