AMA4650 时间序列与预测:从平稳性、指数平滑到 ARIMA 与 GARCH

普通监督学习常把样本当作可以交换的独立观测;时间序列不能这样处理。昨天的信息会进入今天,趋势与季节性会让均值变化,金融数据还常出现波动聚集。预测的关键不是把曲线拟合得更复杂,而是把时间依赖写进模型,并用只来自过去的信息评价未来。

这篇文章按照 AMA4650 Forecasting and Applied Time Series Analysis 的主线,串联平稳性、趋势与季节性、指数平滑、ARMA/ARIMA、模型识别、预测区间和 GARCH。

直接阅读详细公式推导:平滑偏差、AR/MA 协方差、Yule–Walker、预测区间与 GARCH。

配套讲义

AMA4650:用 Agent 建立课程复习 RAG

1. 随机过程、实现与观测数据

时间序列是按时间索引的随机变量族:

{Xt:t∈T}.\{X_t:t\in T\}.

我们实际看到的 x1,…,xTx_1,\ldots,x_T 只是随机过程的一条 realization。这个区分很重要:图上只有一条曲线,但模型描述的是可能生成许多曲线的概率机制。

预测 hh 步未来值时,理想的点预测是条件期望:

X^T+h∣T=E(XT+h∣XT,XT−1,…).\hat X_{T+h\mid T} =E(X_{T+h}\mid X_T,X_{T-1},\ldots).

预测误差为

eT+h=XT+h−X^T+h∣T.e_{T+h}=X_{T+h}-\hat X_{T+h\mid T}.

时间越远,可用信息越少,预测误差方差通常越大,所以预测区间应随 horizon 扩张。

2. 平稳性:让过去具有可迁移性

弱平稳过程满足:

E(Xt)=μ,E(X_t)=\mu,

且

Cov⁡(Xt,Xt+h)=γ(h),\operatorname{Cov}(X_t,X_{t+h})=\gamma(h),

协方差只依赖时间差 hh,不依赖具体时刻 tt。自相关函数为

ρ(h)=γ(h)γ(0).\rho(h)=\frac{\gamma(h)}{\gamma(0)}.

平稳并不是“曲线完全不动”,而是生成机制的均值、方差和依赖结构在时间平移后保持一致。趋势、季节性和结构突变都会破坏平稳性。

常见变换包括:

  • 对数变换:稳定随水平增大的波动;
  • 一阶差分:∇Xt=Xt−Xt−1\nabla X_t=X_t-X_{t-1},消除随机趋势;
  • 季节差分:∇sXt=Xt−Xt−s\nabla_sX_t=X_t-X_{t-s},消除周期 ss 的季节结构;
  • 回归去趋势:拟合确定性趋势并分析残差。

不要机械差分。过度差分会人为引入负相关并扩大噪声。

3. 趋势、季节性与回归表示

加法分解写成

Xt=Tt+St+Rt.X_t=T_t+S_t+R_t.

若季节波动随水平放大,更适合乘法结构

Xt=TtStRt,X_t=T_tS_tR_t,

取对数后可转成加法。

确定性趋势与季节性也可写成回归:

Xt=β0+β1t+∑j=1s−1γjDjt+εt.X_t=\beta_0+\beta_1t+ \sum_{j=1}^{s-1}\gamma_jD_{jt}+\varepsilon_t.

关键不是回归能否拟合趋势,而是残差 εt\varepsilon_t 是否仍有自相关。如果残差不是白噪声,普通回归的标准误和预测区间就不可靠。

4. 预测误差如何评价

常见指标为

MAE⁡=1n∑t=1n∣et∣,\operatorname{MAE}=\frac1n\sum_{t=1}^n|e_t|,

RMSE⁡=1n∑t=1net2.\operatorname{RMSE}=\sqrt{\frac1n\sum_{t=1}^ne_t^2}.

RMSE 对大误差惩罚更强;MAE 更稳健。MAPE 为

MAPE⁡=100%n∑t=1n∣etxt∣,\operatorname{MAPE}=\frac{100\%}{n} \sum_{t=1}^n\left|\frac{e_t}{x_t}\right|,

但当真实值接近 0 或可为负时会失真。

时间序列不能随机打乱做交叉验证。应使用 rolling origin:每次只用过去训练,再预测后面的窗口。

5. 指数平滑:状态随新数据递推

简单指数平滑为

St=αXt+(1−α)St−1,0<α<1.S_t=\alpha X_t+(1-\alpha)S_{t-1}, \qquad 0<\alpha<1.

递归展开:

St=αXt+α(1−α)Xt−1+α(1−α)2Xt−2+⋯ .S_t=\alpha X_t+\alpha(1-\alpha)X_{t-1} +\alpha(1-\alpha)^2X_{t-2}+\cdots.

因此越旧的数据权重按几何级数衰减。α\alpha 大时响应快但更噪,α\alpha 小时更平滑但滞后。

有趋势时可使用 Holt 方法:

ℓt=αXt+(1−α)(ℓt−1+bt−1),\ell_t=\alpha X_t+(1-\alpha)(\ell_{t-1}+b_{t-1}),

bt=β(ℓt−ℓt−1)+(1−β)bt−1,b_t=\beta(\ell_t-\ell_{t-1})+(1-\beta)b_{t-1},

X^t+h∣t=ℓt+hbt.\hat X_{t+h\mid t}=\ell_t+hb_t.

有季节性时再加入季节状态,得到 Holt-Winters。指数平滑关注 level、trend、seasonality 的状态更新;ARIMA 更关注差分后的自相关结构。

6. 滞后算子与 ARIMA 语言

定义 backshift operator

BXt=Xt−1.BX_t=X_{t-1}.

一阶差分可写成

∇Xt=(1−B)Xt.\nabla X_t=(1-B)X_t.

ARIMA(p,d,q)(p,d,q) 的统一形式为

ϕ(B)(1−B)dXt=θ(B)εt,\phi(B)(1-B)^dX_t=\theta(B)\varepsilon_t,

其中

ϕ(B)=1−ϕ1B−⋯−ϕpBp,\phi(B)=1-\phi_1B-\cdots-\phi_pB^p,

θ(B)=1+θ1B+⋯+θqBq.\theta(B)=1+\theta_1B+\cdots+\theta_qB^q.

dd 负责去除单位根型非平稳,pp 描述过去观测的影响,qq 描述过去冲击的影响。

7. MA、AR 与 ARMA

MA(q)

Xt=μ+εt+heta1εt−1+⋯+θqεt−q.X_t=\mu+\varepsilon_t+ heta_1\varepsilon_{t-1} +\cdots+\theta_q\varepsilon_{t-q}.

相隔超过 qq 期的观测不共享冲击,因此理论 ACF 在 lag qq 后截尾。

AR(p)

Xt=c+ϕ1Xt−1+⋯+ϕpXt−p+εt.X_t=c+\phi_1X_{t-1}+\cdots+\phi_pX_{t-p}+\varepsilon_t.

AR(1) 为

Xt=c+ϕXt−1+εt.X_t=c+\phi X_{t-1}+\varepsilon_t.

若 ∣ϕ∣<1|\phi|<1,则均值

μ=c1−ϕ,\mu=\frac{c}{1-\phi},

方差

Var⁡(Xt)=σε21−ϕ2,\operatorname{Var}(X_t)=\frac{\sigma_\varepsilon^2}{1-\phi^2},

自相关

ρ(h)=ϕ∣h∣.\rho(h)=\phi^{|h|}.

因此 AR 的 ACF 通常拖尾,PACF 在 pp 阶后截尾。

ARMA(p,q)

ARMA 同时使用过去观测和过去冲击,ACF 与 PACF 往往都拖尾。只凭一张相关图定阶不可靠,还要结合 AIC/BIC、残差诊断和样本外预测。

8. ACF 与 PACF 在看什么

样本 ACF 为

ρ^(h)=∑t=h+1T(xt−xˉ)(xt−h−xˉ)∑t=1T(xt−xˉ)2.\hat\rho(h)= \frac{\sum_{t=h+1}^T(x_t-\bar x)(x_{t-h}-\bar x)} {\sum_{t=1}^T(x_t-\bar x)^2}.

PACF 测量 XtX_t 与 Xt−hX_{t-h} 在控制中间滞后 Xt−1,…,Xt−h+1X_{t-1},\ldots,X_{t-h+1} 后的线性关系。

经验识别表:

模型 ACF PACF
AR(p) 拖尾 lag pp 后截尾
MA(q) lag qq 后截尾 拖尾
ARMA(p,q) 拖尾 拖尾

“截尾”和“拖尾”是总体性质,有限样本图上不会整齐到教科书一样。

9. Box-Jenkins 建模循环

1
2
3
4
识别 Identification
-> 估计 Estimation
-> 诊断 Diagnostics
-> 预测 Forecasting
  1. 画原序列,检查趋势、季节性、异常和结构变化;
  2. 通过变换与差分获得近似平稳序列;
  3. 结合 ACF/PACF 与信息准则提出候选模型;
  4. 估计参数;
  5. 检查残差是否近似白噪声;
  6. 用滚动样本外评价比较模型。

残差 ACF 不应保留明显结构。Ljung-Box 检验的原假设是若干滞后内无自相关;不拒绝原假设并不证明模型真实,只说明暂未发现剩余线性相关。

1
2
3
4
5
6
7
8
9
10
11
12
from statsmodels.tsa.statespace.sarimax import SARIMAX

model = SARIMAX(
train,
order=(1, 1, 1),
seasonal_order=(1, 0, 1, 12),
enforce_stationarity=False,
)
result = model.fit(disp=False)
forecast = result.get_forecast(steps=12)
mean = forecast.predicted_mean
interval = forecast.conf_int()

10. 多步预测与不确定性

对零均值 AR(1):

Xt=ϕXt−1+εt.X_t=\phi X_{t-1}+\varepsilon_t.

一步预测为

X^T+1∣T=ϕXT.\hat X_{T+1\mid T}=\phi X_T.

递推得到

X^T+h∣T=ϕhXT.\hat X_{T+h\mid T}=\phi^hX_T.

预测误差包含未来冲击:

XT+h−X^T+h∣T=∑j=0h−1ϕjεT+h−j.X_{T+h}-\hat X_{T+h\mid T} =\sum_{j=0}^{h-1}\phi^j\varepsilon_{T+h-j}.

所以

Var⁡(eT+h)=σε2∑j=0h−1ϕ2j.\operatorname{Var}(e_{T+h}) =\sigma_\varepsilon^2\sum_{j=0}^{h-1}\phi^{2j}.

这清楚解释了预测区间为什么随 hh 变宽,并最终接近过程的无条件方差。

11. GARCH:对条件方差建模

金融收益率常表现为均值附近波动,但大波动与大波动聚集。GARCH(1,1) 写成

rt=μ+εt,εt=σtzt,r_t=\mu+\varepsilon_t, \qquad \varepsilon_t=\sigma_tz_t,

σt2=ω+αεt−12+βσt−12.\sigma_t^2=\omega+\alpha\varepsilon_{t-1}^2 +\beta\sigma_{t-1}^2.

α\alpha 表示新冲击对波动的即时影响,β\beta 表示波动持续性。常见平稳条件为

α+β<1.\alpha+\beta<1.

此时无条件方差为

Var⁡(εt)=ω1−α−β.\operatorname{Var}(\varepsilon_t) =\frac{\omega}{1-\alpha-\beta}.

GARCH 处理的是条件异方差,不是均值自相关。通常先对均值建立 ARMA,再检查平方残差或绝对残差是否仍有相关结构。

推导专题:从随机过程到可计算预测

以下推导补全前文的重要中间步骤。统一使用 εt\varepsilon_t 表示零均值、方差为 σ2\sigma^2 的白噪声;进行条件预测时,会额外声明创新条件,不能把“不相关”直接当成“条件均值为零”。

A. 随机游走为什么不平稳

令 X0=0X_0=0,Xt=Xt−1+εtX_t=X_{t-1}+\varepsilon_t。递推展开得

Xt=∑j=1tεj.X_t=\sum_{j=1}^t\varepsilon_j.

因为不同时刻噪声不相关,

E(Xt)=0,Var⁡(Xt)=tσ2.E(X_t)=0,\qquad \operatorname{Var}(X_t)=t\sigma^2.

对 s≤ts\leq t,两个和式只共享前 ss 个冲击:

Cov⁡(Xt,Xs)=sσ2.\operatorname{Cov}(X_t,X_s)=s\sigma^2.

它依赖具体时间 ss,不只是间隔 t−st-s,因此随机游走不是弱平稳过程。但 ∇Xt=εt\nabla X_t=\varepsilon_t 是平稳的。这是 ARIMA 中差分可以去除单位根的最简单例子。

反过来,若对已经是白噪声的序列再差分,Yt=εt−εt−1Y_t=\varepsilon_t-\varepsilon_{t-1},则 γY(0)=2σ2\gamma_Y(0)=2\sigma^2、γY(1)=−σ2\gamma_Y(1)=-\sigma^2,即 ρY(1)=−1/2\rho_Y(1)=-1/2。过度差分会人为制造负相关。

B. 指数平滑的权重、初始化与趋势偏差

从 St=αXt+(1−α)St−1S_t=\alpha X_t+(1-\alpha)S_{t-1} 反复代入 tt 次:

St=α∑j=0t−1(1−α)jXt−j+(1−α)tS0.S_t=\alpha\sum_{j=0}^{t-1}(1-\alpha)^jX_{t-j} +(1-\alpha)^tS_0.

有限样本下最后的初始化项不能直接丢掉;全部权重加起来恰好为 1。因为 0<α<10<\alpha<1,初始化影响随 tt 几何衰减。

若 Xt=a+bt+εtX_t=a+bt+\varepsilon_t,忽略已衰减的初始化项,则

E(St)=α∑j=0∞(1−α)j[a+b(t−j)]=a+bt−bα∑j=0∞j(1−α)j=a+bt−b1−αα.\begin{aligned} E(S_t) &=\alpha\sum_{j=0}^{\infty}(1-\alpha)^j[a+b(t-j)]\\ &=a+bt-b\alpha\sum_{j=0}^{\infty}j(1-\alpha)^j\\ &=a+bt-b\frac{1-\alpha}{\alpha}. \end{aligned}

最后一步用了 ∑j≥0jrj=r/(1−r)2\sum_{j\geq0}jr^j=r/(1-r)^2。简单指数平滑估计当前水平时落后约 (1−α)/α(1-\alpha)/\alpha 期;若用 StS_t 预测下一期,偏差为 E(St)−E(Xt+1)=−b/αE(S_t)-E(X_{t+1})=-b/\alpha。

例如每期增长 b=2b=2、α=0.2\alpha=0.2,当前水平估计落后 88,一步预测平均低估 1010。这就是为什么有趋势时要引入 Holt 的斜率状态,而不是只调平滑系数。

C. MA(1) 的 ACF 与可逆性

采用本文的加号约定:

Xt=εt+θεt−1.X_t=\varepsilon_t+\theta\varepsilon_{t-1}.

方差计算为

γ(0)=E(Xt2)=(1+θ2)σ2.\gamma(0)=E(X_t^2)=(1+\theta^2)\sigma^2.

相邻时刻相乘:

γ(1)=E[(εt+θεt−1)(εt−1+θεt−2)]=θσ2.\gamma(1)=E[(\varepsilon_t+\theta\varepsilon_{t-1}) (\varepsilon_{t-1}+\theta\varepsilon_{t-2})] =\theta\sigma^2.

只有 εt−12\varepsilon_{t-1}^2 这一项的期望非零。间隔大于 1 时没有共享冲击,故 γ(h)=0\gamma(h)=0,于是

ρ(1)=θ1+θ2,ρ(h)=0(∣h∣>1).\rho(1)=\frac{\theta}{1+\theta^2},\qquad \rho(h)=0\quad (|h|>1).

注意 θ\theta 和 1/θ1/\theta 给出相同的 lag-1 自相关,这说明只看 ACF 不能唯一确定参数。

可逆性要求能用过去观测恢复冲击:

εt=(1+θB)−1Xt=∑j=0∞(−θ)jXt−j.\varepsilon_t=(1+\theta B)^{-1}X_t =\sum_{j=0}^{\infty}(-\theta)^jX_{t-j}.

该稳定展开要求 ∣θ∣<1|\theta|<1。有限阶 MA 本身总是弱平稳,但并非总可逆,二者是不同问题。

D. AR(1) 的均值、方差与相关函数

设 Xt=c+ϕXt−1+εtX_t=c+\phi X_{t-1}+\varepsilon_t,且采用 ∣ϕ∣<1|\phi|<1 的因果解。取期望:

μ=c+ϕμ,μ=c1−ϕ.\mu=c+\phi\mu,\qquad \mu=\frac{c}{1-\phi}.

令 Yt=Xt−μY_t=X_t-\mu,则 Yt=ϕYt−1+εtY_t=\phi Y_{t-1}+\varepsilon_t。因果性保证过去状态与当前创新不相关,所以

γ(0)=ϕ2γ(0)+σ2,γ(0)=σ21−ϕ2.\gamma(0)=\phi^2\gamma(0)+\sigma^2, \qquad \gamma(0)=\frac{\sigma^2}{1-\phi^2}.

对 h≥1h\geq1,

γ(h)=E[(ϕYt−1+εt)Yt−h]=ϕE(Yt−1Yt−h)=ϕγ(h−1)=ϕhγ(0).\begin{aligned} \gamma(h) &=E[(\phi Y_{t-1}+\varepsilon_t)Y_{t-h}]\\ &=\phi E(Y_{t-1}Y_{t-h})\\ &=\phi\gamma(h-1)=\phi^h\gamma(0). \end{aligned}

于是 ρ(h)=ϕ∣h∣\rho(h)=\phi^{|h|}。若 ϕ=−0.5\phi=-0.5,ACF 为 1,−0.5,0.25,−0.125,…1,-0.5,0.25,-0.125,\ldots,是交替衰减而不是始终为正。

条件 ∣ϕ∣<1|\phi|<1 在这里对应平稳的因果解。不要在讨论允许依赖未来噪声的非因果解时,仍无条件照搬这个表述。

E. Yule–Walker:从协方差解 AR 参数

对中心化的因果 AR(pp):

Yt=∑j=1pϕjYt−j+εt.Y_t=\sum_{j=1}^p\phi_jY_{t-j}+\varepsilon_t.

两边乘以 Yt−kY_{t-k} 并取期望,k≥1k\geq1 时创新与过去不相关,得到

γ(k)=∑j=1pϕjγ(k−j).\gamma(k)=\sum_{j=1}^p\phi_j\gamma(k-j).

利用 γ(−h)=γ(h)\gamma(-h)=\gamma(h),对 k=1,…,pk=1,\ldots,p 写成

[1ρ(1)⋯ρ(p−1)ρ(1)1⋯ρ(p−2)⋮⋮⋱⋮ρ(p−1)ρ(p−2)⋯1][ϕ1ϕ2⋮ϕp]=[ρ(1)ρ(2)⋮ρ(p)].\begin{bmatrix} 1&\rho(1)&\cdots&\rho(p-1)\\ \rho(1)&1&\cdots&\rho(p-2)\\ \vdots&\vdots&\ddots&\vdots\\ \rho(p-1)&\rho(p-2)&\cdots&1 \end{bmatrix} \begin{bmatrix}\phi_1\\\phi_2\\\vdots\\\phi_p\end{bmatrix} = \begin{bmatrix}\rho(1)\\\rho(2)\\\vdots\\\rho(p)\end{bmatrix}.

例:AR(2) 的 ρ(1)=0.5,ρ(2)=0.2\rho(1)=0.5,\rho(2)=0.2,解
ϕ1+0.5ϕ2=0.5\phi_1+0.5\phi_2=0.5、0.5ϕ1+ϕ2=0.20.5\phi_1+\phi_2=0.2,得 ϕ1=8/15,ϕ2=−1/15\phi_1=8/15,\phi_2=-1/15。二阶 PACF 就是这个二阶回归中的末项系数 −1/15-1/15。它不是简单的 ρ(2)\rho(2),因为已经扣除了 lag 1 的中介关系。

F. 因果性、可逆性与 Wold 表述的边界

采用 ϕ(B)Xt=θ(B)εt\phi(B)X_t=\theta(B)\varepsilon_t。若 ϕ(z)=0\phi(z)=0 的根全在单位圆外,可展开稳定的 MA(∞\infty) 因果表示;若 θ(z)=0\theta(z)=0 的根全在单位圆外,可展开由观测恢复创新的 AR(∞\infty) 表示。

不能把 Wold 定理简写为“任何平稳过程都只是无限移动平均”。一般二阶平稳过程还包含与创新部分正交的确定性成分;只有纯非确定性部分能表示为平方可和的创新序列:

Xt−μ=∑j=0∞ψjεt−j,∑jψj2<∞.X_t-\mu=\sum_{j=0}^{\infty}\psi_j\varepsilon_{t-j}, \qquad \sum_j\psi_j^2<\infty.

这里的白噪声不必独立或高斯。线性预测只需要二阶结构;若进一步声称最优预测就是条件期望,通常需要创新的条件零均值或联合高斯等额外条件。

G. 从最小均方误差到多步预测区间

令 FT\mathcal F_T 表示截至 TT 的信息,m=E(XT+h∣FT)m=E(X_{T+h}\mid\mathcal F_T)。对任意基于过去信息的预测 gg:

E[(XT+h−g)2]=E[(XT+h−m)2]+E[(m−g)2].E[(X_{T+h}-g)^2] =E[(X_{T+h}-m)^2]+E[(m-g)^2].

交叉项为零,因为
E[XT+h−m∣FT]=0E[X_{T+h}-m\mid\mathcal F_T]=0。第二项非负,因此条件期望是平方损失下最优预测。

现在假设未来创新独立于过去、均值为零。AR(1) 逐次展开:

XT+h−μ=ϕh(XT−μ)+∑j=0h−1ϕjεT+h−j.X_{T+h}-\mu=\phi^h(X_T-\mu) +\sum_{j=0}^{h-1}\phi^j\varepsilon_{T+h-j}.

条件期望消去未来冲击,得到

X^T+h∣T=μ+ϕh(XT−μ).\hat X_{T+h\mid T}=\mu+\phi^h(X_T-\mu).

未来冲击互不相关,误差方差为

vh=σ2∑j=0h−1ϕ2j=σ21−ϕ2h1−ϕ2.v_h=\sigma^2\sum_{j=0}^{h-1}\phi^{2j} =\sigma^2\frac{1-\phi^{2h}}{1-\phi^2}.

若冲击还服从高斯分布,并暂时视参数为已知,则 95%95\% 预测区间为 X^T+h∣T±1.96vh\hat X_{T+h\mid T}\pm1.96\sqrt{v_h}。非高斯时不能仅凭方差就宣称该区间精确覆盖 95%95\%;估计参数的不确定性也未包含在此公式中。

手算例:μ=10,ϕ=0.6,XT=12,σ2=4\mu=10,\phi=0.6,X_T=12,\sigma^2=4。两步预测为 10+0.62(12−10)=10.7210+0.6^2(12-10)=10.72,误差方差为 4(1+0.62)=5.444(1+0.6^2)=5.44,标准差约 2.332.33。高斯已知参数条件下的区间约为 [6.15,15.29][6.15,15.29]。

更一般地,对因果 ARMA 的创新展开,在创新假设成立时

eT+h=∑j=0h−1ψjεT+h−j,Var⁡(eT+h)=σ2∑j=0h−1ψj2.e_{T+h}=\sum_{j=0}^{h-1}\psi_j\varepsilon_{T+h-j}, \qquad \operatorname{Var}(e_{T+h})=\sigma^2\sum_{j=0}^{h-1}\psi_j^2.

有限样本实际拟合还会有初始状态和参数估计误差,不能把上述理想公式当成全部不确定性。

H. GARCH 的条件方差、二阶矩与长期预测

设 ztz_t 独立于过去,E(zt)=0,E(zt2)=1E(z_t)=0,E(z_t^2)=1,且 εt=σtzt\varepsilon_t=\sigma_tz_t。σt\sigma_t 由过去确定,因此

E(εt∣Ft−1)=0,E(εt2∣Ft−1)=σt2.E(\varepsilon_t\mid\mathcal F_{t-1})=0,\qquad E(\varepsilon_t^2\mid\mathcal F_{t-1})=\sigma_t^2.

令 ω>0,α,β≥0\omega>0,\alpha,\beta\geq0。若存在有限二阶矩的平稳解,记 v=E(εt2)=E(σt2)v=E(\varepsilon_t^2)=E(\sigma_t^2),对递推取期望:

v=ω+αv+βv,v=ω1−α−β.v=\omega+\alpha v+\beta v, \qquad v=\frac{\omega}{1-\alpha-\beta}.

因此 α+β<1\alpha+\beta<1 是这里的有限无条件方差条件,不应等同于所有意义上的平稳性。严格平稳的条件涉及 Elog⁡(αzt2+β)<0E\log(\alpha z_t^2+\beta)<0;严格平稳也不保证二阶矩有限。

从 TT 出发,下一期方差 h1=ω+αεT2+βσT2h_1=\omega+\alpha\varepsilon_T^2+\beta\sigma_T^2 已知。之后取条件期望,有

hk=ω+(α+β)hk−1,hk−v=(α+β)k−1(h1−v).h_k=\omega+(\alpha+\beta)h_{k-1}, \qquad h_k-v=(\alpha+\beta)^{k-1}(h_1-v).

这说明波动预测以 α+β\alpha+\beta 为速度回归长期方差。例:ω=0.1,α=0.1,β=0.8\omega=0.1,\alpha=0.1,\beta=0.8,长期方差为 11;若 h1=2h_1=2,则 h2=1.9h_2=1.9,不是立即回到 11。

12. 常见错误

  • 随机打乱时间序列做 train/test split;
  • 先用全数据选择差分阶数和超参数,再报告测试误差;
  • 只比较拟合内 R2R^2,不做滚动预测;
  • 看到趋势就不断差分,忽略确定性趋势与结构突变;
  • 只给点预测,不给预测区间;
  • 用 ACF/PACF 一眼定模型,不做残差诊断;
  • 把高波动预测误解为价格方向预测。

13. 自测清单

  • 能否区分随机过程、实现和观测数据?
  • 能否写出弱平稳条件和 ACF 定义?
  • 能否展开简单指数平滑的几何权重?
  • 能否用滞后算子写出 ARIMA(p,d,q)(p,d,q)?
  • 能否推导 AR(1) 的均值、方差与 ACF?
  • 能否解释 ACF 与 PACF 的截尾规律?
  • 能否完整描述 Box-Jenkins 循环?
  • 能否推导 AR(1) 的多步预测误差方差?
  • 能否解释 GARCH 中 α\alpha 与 β\beta 的含义?

时间序列建模最终不是选择一个最复杂的模型,而是保证每一步都尊重信息的时间方向,并诚实地表达未来仍然包含多少不可预测的冲击。

AMA4650 时间序列与预测:从平稳性、指数平滑到 ARIMA 与 GARCH

https://richardf123.github.io/2026/11/16/ama4650-time-series-forecasting-guide/

作者

方楚鸣

发布于

2026-11-16

更新于

2026-11-16

许可协议

Click to play