time-seriesarimaforecastingstationaritydickey-fullerequity

ARIMA Forecast Model (ARIMA 预测模型)

大白话：ARIMA 是时间序列预测的经典线性基线——把过去的值和过去的误差 autoregressive 地接起来， 差分掉趋势，再预测下一步。在 concepts/models-theory/Filtered Probability Trend Hypothesis 的构造里， 它扮演连续预测分布的角色，活在滤波的较大 σ-代数 \mathcal{F}_B 上。

自回归积分滑动平均 (Autoregressive Integrated Moving Average) 模型是短周期平稳时间序列预测的 标准线性基线。在 concepts/models-theory/Filtered Probability Trend Hypothesis 的构造中， 它充当连续预测分布，活在滤波的较大 σ-代数 \mathcal{F}_B 上。

一般形式

用滞后算子 B Y_t = Y_{t-1} 与 \Delta = 1 - B，ARIMA(p, d, q) 为

\varphi(B)\, \Delta^d Y_t = \theta_0 + \theta(B)\, \epsilon_t,

其中

  • \varphi(B) = 1 - \phi_1 B - \dots - \phi_p B^p，
  • \theta(B) = 1 - \theta_1 B - \dots - \theta_q B^q，
  • \epsilon_t \sim \text{i.i.d. white noise}（独立同分布白噪声），
  • d 是达到平稳所需的差分次数。

两个极限情形是自回归 AR(p)（\theta \equiv 0）与移动平均 MA(q)（\varphi \equiv 1，d=0）。 d>0 处理单位根 / 非平稳过程：差分 d 次后，Y_t 变成平稳的 ARMA 过程。

拟合流程

  1. 平稳性检验。 对 Y_t 以及 \Delta Y_t, \Delta^2 Y_t, \dots 做增广 Dickey-Fuller (ADF) 检验， 直到「存在单位根」的原假设被拒绝。在 Achury Arredondo Sanchez Ascanio 2024 Filtration ARIMA Random Walk 中，SAN 序列在 d=2 处通过 ADF （Dickey-Fuller 统计量 -6.5939）。
  2. 阶数选择。 看样本 ACF 定 MA 阶 q，看样本 PACF 定 AR 阶 p。再用 AIC / BIC 交叉验证； 实践中不要差分超过 d=2——过度差分会注入噪声并放大方差。
  3. 拟合与预测。 用 MLE 估计 \phi, \theta，产出 h 步预测 \hat Y_h 与样本内 RMSE。 RMSE 是模型自身对一步新息标准差的估计。

「把 ARIMA 当作概率分布」这一步

Achury 等的观察 1：在中心极限定理下，样本内 RMSE \sigma 是新息标准差的无偏估计， h 步预测分布近似为

Y_h \;\sim\; \mathcal{N}\!\bigl(\hat Y_h,\; \sigma^2 h\bigr).

这正是模型中活在 Borel σ-代数 \mathcal{F}_B 上的部分， 在 Filtered Probability Trend Hypothesis 内部与 \mathcal{F}_A \subseteq \mathcal{F}_B 上的随机游走质量相结合。

实例演算（SAN）

  • 序列：Banco Santander 截至 2023-05-31 的 130 个日收盘价。
  • ADF 要求 d=2。PACF 选出 p=3；ACF 选出 q=1。
  • 模型：ARIMA(3, 2, 1)，RMSE = 0.0676，\hat Y_5 = 2.9775 欧元。
  • 同一 horizon 上的二项质量见 Random Walk Price Pathwise。

它在哪里失效（本 wiki 标注的）

  • 捕捉不到「波动的波动」。 ARIMA 是线性且同方差的。对有状态切换的序列（波动率聚集、跳跃、跳空）， 优先用 GARCH 族或状态空间模型——源论文把它列为后续研究方向。
  • 没有外生回归元。 ARIMA 是单变量模型。 Achury Arredondo Sanchez Ascanio 2024 Filtration ARIMA Random Walk 的后续工作一节 指出自然的替代品是 VAR / VECM / GARCH，以及 ARIMA + LSTM / RF / WNN 的混合模型。
  • 小样本很危险。 130 个观测勉强够拟合一个 ARIMA(3,2,1)； 源论文报告的 62.5% 方向命中率没有自助法置信区间。
  • 没有「信号到仓位」这一层。 ARIMA 是预测器，不是策略。 配上 Volatility Targeting 或 Ferson-Siegel Optimal Weighting 才能变成可交易的系统。

交叉引用