『壹』 ARIMA時間序列建模過程——原理及python實現
原文鏈接：http://tecdat.cn/?p=20742
時間序列被定義為一系列按時間順序索引的數據點。時間順序可以是每天，每月或每年。
以下是一個時間序列示例，該示例說明了從1949年到1960年每月航空公司的乘客數量。
最受歡迎的見解
1.在python中使用lstm和pytorch進行時間序列預測
2.python中利用長短期記憶模型lstm進行時間序列預測分析
3.使用r語言進行時間序列（arima，指數平滑）分析
4.r語言多元copula-garch-模型時間序列預測
5.r語言copulas和金融時間序列案例
6.使用r語言隨機波動模型sv處理時間序列中的隨機波動
7.r語言時間序列tar閾值自回歸模型
8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類
9.python3用arima模型進行時間序列預測
『貳』 arima模型python 怎麼看平穩性
時間序列分析(一) 如何判斷序列是否平穩
序列平穩不平穩，一般採用兩種方法：
第一種：看圖法
圖是指時序圖，例如(eviews畫滴)：
分析：什麼樣的圖不平穩，先說下什麼是平穩，平穩就是圍繞著一個常數上下波動。
看看上面這個圖，很明顯的增長趨勢，不平穩。
第二種：自相關系數和偏相關系數
還以上面的序列為例：用eviews得到自相關和偏相關圖，Q統計量和伴隨概率。
分析：判斷平穩與否的話，用自相關圖和偏相關圖就可以了。
平穩的序列的自相關圖和偏相關圖不是拖尾就是截尾。截尾就是在某階之後，系數都為 0 ，怎麼理解呢，看上面偏相關的圖，當階數為 1 的時候，系數值還是很大， 0.914. 二階長的時候突然就變成了 0.050. 後面的值都很小，認為是趨於 0 ，這種狀況就是截尾。再就是拖尾，拖尾就是有一個衰減的趨勢，但是不都為 0 。
自相關圖既不是拖尾也不是截尾。以上的圖的自相關是一個三角對稱的形式，這種趨勢是單調趨勢的典型圖形。
下面是通過自相關的其他功能
如果自相關是拖尾，偏相關截尾，則用 AR 演算法
如果自相關截尾，偏相關拖尾，則用 MA 演算法
如果自相關和偏相關都是拖尾，則用 ARMA 演算法， ARIMA 是 ARMA 演算法的擴展版，用法類似 。
不平穩，怎麼辦？
答案是差分
還是上面那個序列，兩種方法都證明他是不靠譜的，不平穩的。確定不平穩後，依次進行1階、2階、3階...差分，直到平穩位置。先來個一階差分，上圖。
從圖上看，一階差分的效果不錯，看著是平穩的。
『叄』 如何引入ARIMA模型進行預測，求通俗語言然後有步驟性的回答。本人數學底子一般。但是邏輯性還行
(一) ARIMA 模型簡介
ARIMA 方法是時間序列預測中一種常用而有效的方法, 它是用變數Yt 自身
的滯後項以及隨機誤差項來解釋該變數, 而不像一般回歸模型那樣用k 個外生變
量X1 , X2 , ⋯, Xk 去解釋Yt 。ARIMA 方法能夠在對數據模式未知的情況下找到
適合數據所考察的模型, 因而在金融和經濟領域預測方面得到了廣泛應用。它的
具體形式可表達成ARIMA (p , d , q) , 其中p 表示自回歸過程階數; d 表示差分
的階數; q 表示移動平均過程的階數。如果時間序列數據是非平穩的, 則需要對
其進行d 階差分, 使其平穩化, 然後對平穩化後的序列用ARIMA 建模。
『肆』 eviews中運用某個股票的價格擬合ARIMA模型，如何處理其中的缺失值
eviews擬合ARIMA模型問題均可＋名中我QQ來給以解決。
『伍』 （四）ARIMA模型方法
1.ARIMA模型的基本思想
將預測對象隨時間推移而形成的數據序列視為一個隨機序列，對其進行差分整合後用自回歸加移動平均來擬合，並據其對時間序列的過去值及未來值進行預測的數學方法，即ARIMA模型的基本思想。
ARIMA模型一般表示為ARIMA（p，d，q），其數學表達式為
φp（B）（1-B）dyt=θq（B）εt， （7-9）
式中：φp（B）=1-φ1B-…-φpBp，θq（B）=1-θ1B-…-θqBq；
AR是自回歸，p為自回歸項，MA為移動平均，q為移動平均項數，d為差分次數；yt是時間序列，B是後移運算元，φ1，…，φp為自回歸系數，θ1，…，θq為移動回歸系數，｛εt｝ 是白雜訊序列。
2.ARIMA模型預測基本程序
（1）平穩性識別
以自相關函數和偏自相關函數圖等來判定數列是否為平穩型。
（2）對非平穩序列進行平穩化處理
存在增長或下降趨勢，需進行差分處理，直到處理後的數據的自相關函數值和偏相關函數值顯著地等於零。
（3）根據時間序列模型的識別規則建立相應模型
據序列的自相關和偏相關函數圖判定模型的類型及p與q的階數。
在自相關和偏相關函數圖上，函數在某一步之後為零，稱為截尾；不能在某一步之後為零，而是按指數衰減或正負相間遞減的形式，稱為拖尾。
由自相關函數和偏相關函數是截尾還是拖尾及其期次可進行模型判別，標准見表7-8。
表7-8 模型參數的ACF-PACF圖判別的標准
（4）假設檢驗，診斷殘差序列是否為白雜訊
用χ2檢驗檢測所估計模型的白雜訊殘差，其殘差應是一隨機序列，否則進行殘差分析，必要時需重新確定模型。
（5）預測分析
利用已通過檢驗的模型進行預測分析，得到x（t）在t+1期，即1期以後的預測值，記這個預測值為x（t+1），稱它為未來第1期的預測值。
『陸』 arima模型預測需要多少數據
很重要的
『柒』 如何用Arma模型做股票估計
時間序列分析是經濟領域應用研究最廣泛的工具之一,它用恰當的模型描述歷史數據隨時間變化的規律,並分析預測變數值。ARMA模型是一種最常見的重要時間序列模型,被廣泛應用到經濟領域預測中。給出ARMA模型的模式和實現方法,然後結合具體股票數據揭示股票變換的規律性,並運用ARMA模型對股票價格進行預測。
選取長江證券股票具體數據進行實證分析
1.數據選取。
由於時間序列模型往往需要大樣本,所以這里我選取長江證券從09/03/20到09/06/19日開盤價,前後約三個月,共計60個樣本,基本滿足ARMA建模要求。
數據來源:大智慧股票分析軟體導出的數據(股價趨勢圖如下)
從上圖可看出有一定的趨勢走向,應為非平穩過程,對其取對數lnS,再觀察其平穩性。
2.數據平穩性分析。
先用EVIEWS生成新序列lnS並用ADF檢驗其平穩性。
(1)ADF平穩性檢驗,首先直接對數據平穩檢驗,沒通過檢驗,即不平穩。
可以看出lnS沒有通過檢驗,也是一個非平穩過程,那麼我們想到要對其進行差分。
(2)一階差分後平穩性檢驗,ADF檢驗結果如下,通過1%的顯著檢驗,即數據一階差分後平穩。
可以看出差分後,明顯看出ADF Test Statistic 為-5.978381絕對值是大於1%的顯著水平下的臨界值的,所以可以通過平穩性檢驗。
3.確定適用模型,並定階。可以先生成原始數據的一階差分數據dls,並觀測其相關系數AC和偏自相關系數PAC,以確定其是為AR,MA或者是ARMA模型。
(1)先觀測一階差分數據dls的AC和PAC圖。經檢驗可以看出AC和PAC皆沒有明顯的截尾性,嘗試用ARMA模型,具體的滯後項p,q值還需用AIC和SC具體確定。
(2)嘗試不同模型,根據AIC和SC最小化的原理確定模型ARMA(p,q)。經多輪比較不同ARMA(p,q)模型,可以得出相對應AIC 和 SC的值。
經過多次比較最終發現ARMA(1,1)過程的AIC和SC都是最小的。最終選取ARIMA(1,1,1)模型作為預測模型。並得出此模型的具體表達式為:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的檢驗。選取ARIMA(1,1,1)模型,定階和做參數估計後,還應對其殘差序列進行檢驗,對其殘差的AC和Q統計檢驗發現其殘差自相關基本在0附近,且Q值基本通過檢驗,殘差不明顯存在相關,即可認為殘差中沒有包含太多信息,模型擬合基本符合。
5.股價預測。利用以上得出的模型,然後對長江證券6月22日、23日、24日股價預測得出預測值並與實際值比較如下。
有一定的誤差,但相比前期的漲跌趨勢基本吻合,這里出現第一個誤差超出預想的是因為6月22日正好是禮拜一,波動較大,這里正驗證了有研究文章用GARCH方法得出的禮拜一波動大的結果。除了禮拜一的誤差大點,其他日期的誤差皆在接受范圍內。
綜上所述,ARMA模型較好的解決了非平穩時間序列的建模問題,可以在時間序列的預測方面有很好的表現。藉助EViews軟體,可以很方便地將ARMA模型應用於金融等時間序列問題的研究和預測方面,為決策者提供決策指導和幫助。當然,由於金融時間序列的復雜性,很好的模擬還需要更進一步的研究和探討。在後期,將繼續在這方面做出自己的摸索。
『捌』 ARIMA能預測股票嗎
不能，股票的價格是眾多大小投資者共同作用的結果。