跳到主要内容

ARMA 模型

一、直观理解：惯性 + 短时冲击​

ARMA 把 AR 与 MA 放在同一方程里：

yt=c+∑i=1pϕiyt−i+εt+∑j=1qθjεt−jy_t=c+\sum_{i=1}^{p}\phi_i y_{t-i}+\varepsilon_t+\sum_{j=1}^{q}\theta_j\varepsilon_{t-j}

用滞后算子 BB：

ϕ(B)yt=c+θ(B)εt\phi(B)y_t=c+\theta(B)\varepsilon_t

含义是：序列既有自身滞后的持续影响，也有近期新息的短暂影响。许多平稳序列用较低的 (p,q)(p,q) 就能比纯 AR 或纯 MA 更省参数。

前提是：序列已经平稳。有单位根或强趋势时，应先差分，进入 ARIMA。

二、适用场景与优缺点​

类型说明
适用场景平稳单变量序列；ACF 与 PACF 均拖尾；需要紧凑的短中期预测模型。
核心优点比高阶纯 AR/MA 更灵活；理论完备；MATLAB 支持成熟；易做区间预测。
局限与缺点识别比纯 AR/MA 难；(p,q)(p,q) 可能不唯一；不含季节与外生变量；非平稳时误用后果严重。

三、核心原理​

1. 平稳与可逆​

  • 平稳：ϕ(z)=0\phi(z)=0 的根在单位圆外；
  • 可逆：θ(z)=0\theta(z)=0 的根在单位圆外。

两者同时满足时，模型有良好的因果/可逆表示，便于预测与新息解释。

2. 相关图特征​

ARMA(p,qp,q) 的 ACF、PACF 都拖尾，没有干净截尾。因此实践中更多靠：

  • 从小到大的 (p,q)(p,q) 网格；
  • AIC/BIC；
  • 残差白噪声；
  • 训练期外误差。

3. 与 AR、MA 的关系​

  • q=0q=0 → AR(pp)
  • p=0p=0 → MA(qq)
  • 过度参数化：某些 ARMA 可与更低阶模型等价，导致识别困难，故优先简约。

四、建模流程（Box–Jenkins 精简版）​

  1. 平稳化：去势/差分/对数，使训练期平稳；
  2. 识别：相关图 + 候选阶数集合；
  3. 估计：estimate 极大似然；
  4. 诊断：残差 ACF、Ljung-Box、正态性、ARCH 效应；
  5. 选用：信息准则与测试集误差一致时最理想；冲突时以测试误差与简约性为准；
  6. 预测：forecast，报告点预测与 MSE 区间。

若残差有 ARCH 效应（平方残差自相关），均值模型可用 ARMA，波动另建 GARCH。

五、MATLAB 示例​

rng(5);
md0 = arima("Constant",0.2,"AR",0.5,"MA",-0.4,"Variance",0.8);
y = simulate(md0, 400);
T0 = 320; yTrain=y(1:T0); yTest=y(T0+1:end);

% 平稳性
[h,p] = adftest(yTrain);
fprintf("ADF: h=%d p=%.4f\n", h, p);

% 网格搜索 (p,q)
pMax=3; qMax=3;
best = struct("aic",Inf);
for p=0:pMax
  for q=0:qMax
    if p==0 && q==0, continue; end
    try
      md = arima(p,0,q);
      est = estimate(md, yTrain, "Display","off");
      [~,~,logL] = infer(est, yTrain);
      k = p+q+2;
      aic = -2*logL + 2*k;
      bic = -2*logL + k*log(numel(yTrain));
      if aic < best.aic
        best = struct("aic",aic,"bic",bic,"p",p,"q",q,"est",est);
      end
    catch
    end
  end
end
fprintf("AIC 最优 ARMA(%d,%d), AIC=%.2f BIC=%.2f\n", ...
    best.p, best.q, best.aic, best.bic);
summarize(best.est);

res = infer(best.est, yTrain);
figure; autocorr(res); title("ARMA 残差 ACF");
[hLB,pLB] = lbqtest(res,"Lags",12);
fprintf("Ljung-Box p=%.4f\n", pLB);

% 平方残差：是否需要 GARCH
figure; autocorr(res.^2); title("平方残差 ACF");

h = numel(yTest);
[yf,yMSE] = forecast(best.est, h, "Y0", yTrain);
rmse = sqrt(mean((yTest-yf).^2));
% 朴素：随机游走一步重复最后值的多步（示意）
rmse_naive = sqrt(mean((yTest-yTrain(end)).^2));
fprintf("测试 RMSE=%.4f, 朴素末值 RMSE=%.4f\n", rmse, rmse_naive);

figure;
plot(yTest,"k"); hold on; plot(yf,"r","LineWidth",1.2);
plot(yf+1.96*sqrt(yMSE),"r--"); plot(yf-1.96*sqrt(yMSE),"r--");
legend("真实","ARMA","95%"); title("训练期外预测");

六、如何解释结果​

完整结果应包含：

  1. 平稳化步骤；
  2. 选定的 (p,q)(p,q) 与准则值；
  3. 参数估计、标准误、平稳/可逆根；
  4. 残差与平方残差诊断；
  5. 测试集 RMSE/MAE 及基线；
  6. 预测区间；
  7. 模型局限（样本长度、是否忽略季节等）。

避免逐个“强行解释”每一个 θj\theta_j 的业务故事；更应解释模型整体的记忆结构与预测行为。

七、常见误区​

1. 未平稳就拟合 ARMA​

这是最常见错误。先看图与单位根检验。

2. 同时堆高 pp 与 qq​

参数冗余，表面 AIC 好、样本外差。优先低阶。

3. 用训练 R2R^2 选模型​

ARMA 的似然/AIC 与训练期外误差才是正道。

4. 残差有季节峰仍满意​

应引入季节项（SARIMA）或季节差分。

5. 把置信区间当成未来一定会落入的范围​

区间依赖高斯新息与模型正确，结构突变时覆盖率会崩溃。

八、小结​

ARMA 的核心是：

对已平稳的单变量序列，联合使用自回归与滑动平均结构，以简约参数刻画自相关并做短中期预测。

工作流是平稳化 → 定阶 → 估计 → 残差诊断 → 训练期外评价。掌握 ARMA 后，只需把差分写进模型，就是 ARIMA；再加上季节算子，就是 SARIMA。始终记住：不要只看 R2R^2，要看平稳性、白噪声检验和测试集误差。