时间序列模型总结

以下是对MA、AR、ARMA、ARIMA、ARCH、GARCH模型的总结，涵盖其特性、期望、方差、检验方法及应用场景，并以表格形式整理关键信息。

---

一、模型特性与数学表达

模型	全称	核心特性	数学表达式（简化版）
AR	自回归模型	仅依赖历史观测值的线性组合，要求序列平稳，通过PACF截尾定阶。	( X_t = c + \sum_{i=1}^p \phi_i X_{t-i} + \varepsilon_t ) 1
MA	移动平均模型	依赖历史白噪声的线性组合，通过ACF截尾定阶。	( X_t = \mu + \sum_{j=1}^q \theta_j \varepsilon_{t-j} + \varepsilon_t ) 4
ARMA	自回归移动平均模型	结合AR和MA，适用于平稳序列，ACF和PACF均拖尾。	( X_t = c + \sum_{i=1}^p \phi_i X_{t-i} + \sum_{j=1}^q \theta_j \varepsilon_{t-j} + \varepsilon_t ) 4
ARIMA	差分自回归移动平均模型	引入差分处理非平稳序列，通过差分次数d转化为平稳序列后拟合ARMA。	( (1-\sum_{i=1}^p \phi_i Li)(1-L)d X_t = (1+\sum_{j=1}^q \theta_j L^j) \varepsilon_t ) 5
ARCH	自回归条件异方差模型	捕捉方差时变性，假设方差为过去误差平方的线性组合，用于波动聚集现象。	( \sigma_t^2 = \alpha_0 + \sum_{i=1}^m \alpha_i \varepsilon_{t-i}^2 ) 6
GARCH	广义自回归条件异方差模型	扩展ARCH，加入历史方差项，更高效拟合波动性（如金融数据）。	( \sigma_t^2 = \alpha_0 + \sum_{i=1}^m \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^n \beta_j \sigma_{t-j}^2 ) 6

---

二、期望与方差

1. AR模型：
   • 期望：( E(X_t) = \frac{c}{1 - \sum_{i=1}^p \phi_i} )（平稳时）1
   • 方差：平稳时方差为常数，由参数和噪声方差决定。
2. MA模型：
   • 期望：( E(X_t) = \mu )
   • 方差：( \text{Var}(X_t) = \sigma^2 (1 + \sum_{j=1}^q \theta_j^2) ) 4
3. ARMA模型：
   • 期望和方差与AR、MA类似，取决于参数组合。
4. ARCH(q)：
   • 条件方差：( \text{Var}(X_t | X_{t-1}, \dots) = \sigma_t^2 = \alpha_0 + \sum_{i=1}^q \alpha_i \varepsilon_{t-i}^2 ) 6
5. GARCH(p,q)：
   • 条件方差：( \sigma_t^2 = \alpha_0 + \sum_{i=1}^q \alpha_i \varepsilon_{t-i}^2 + \sum_{j=1}^p \beta_j \sigma_{t-j}^2 ) 6

---

三、检验方法

1. 平稳性检验：
   • 单位根检验（ADF、KPSS）：判断序列是否需要差分（ARIMA的d值）5。
2. 模型定阶：
   • ACF/PACF图：AR阶数p由PACF截尾，MA阶数q由ACF截尾14。
   • 信息准则：AIC、BIC、HQIC选择最优p和q15。
3. ARCH效应检验：
   • LM检验：检验残差平方是否存在自相关性8。
   • Q检验：检验残差序列是否白噪声8。
4. 残差诊断：
   • Ljung-Box检验：检验残差独立性6。

---

四、应用场景

模型	适用场景	典型案例
AR	短期趋势预测（如气温、经济指标）	股票收益率趋势分析1
MA	噪声主导的序列（如传感器数据）	高频交易中的短期噪声过滤4
ARMA	平稳时间序列的综合预测（如销量、能源需求）	电力负荷预测5
ARIMA	非平稳序列（需差分平稳化，如GDP、股价）	外汇汇率预测9
ARCH	波动聚集明显的低频金融数据（如股票收益率）	波动率短期预测6
GARCH	高频金融数据、杠杆效应（如加密货币、期货）	风险管理中的VaR计算69

---

五、总结表格

模型	核心贡献	方差特性	检验方法	典型领域
AR	历史观测值线性预测	常数方差	PACF截尾、AIC/BIC1	经济指标、气象预测
MA	历史噪声线性组合	常数方差	ACF截尾、Q检验4	工程信号处理
ARMA	综合趋势与噪声	常数方差	ACF/PACF拖尾、信息准则4	能源需求预测
ARIMA	差分处理非平稳性	差分后平稳	单位根检验、ACF/PACF5	宏观经济、销售预测
ARCH	捕捉方差时变性	时变条件方差	LM检验、残差平方自相关8	低频金融数据波动
GARCH	扩展ARCH至长期记忆效应	时变条件方差	信息准则、杠杆效应检验69	高频金融、风险管理

---

参考资料

1. AR模型的定阶与参数估计 1
2. ARIMA的差分与平稳性处理 45
3. GARCH在金融波动预测中的应用 69
4. ARCH效应检验方法 8

如需进一步代码实现或案例细节，可参考原文链接169。