原文链接：http://tecdat.cn/?p=23558 

原文出处：拓端数据部落公众号

本文讨论用ARIMA模型进行预测。考虑一些简单的平稳的AR（1）模拟时间序列

1.  
    
2.  
   > for(t in 2:n) X[t]=phi*X[t-1]+E[t]
3.  
   > plot(X,type="l")

如果我们拟合一个AR（1）模型。

1.  
   arima(X,order=c(1,0,0),
2.  
   + include.mean = FALSE)

我们观察到预测值向0的指数衰减，以及增加的置信区间（其中方差增加，从白噪声的方差到平稳时间序列的方差）。普通线是有条件的预测（因为AR（1）是一个一阶马尔可夫过程），虚线是无条件的。让我们存储一些数值，把它们作为基准。

如果我们拟合一个MA（1）模型

1.  
    
2.  
   > P=predict(model,n.ahead=20)
3.  
   > plot(P$pred)

在两个滞后期之后，预测是无效的，而且（条件）方差保持不变。但如果我们考虑一个具有较长阶数的移动平均过程。

1.  
    
2.  
   > P=predict(model,n.ahead=20)
3.  
   > plot(P$pred)
4.  
   >

我们得到一个可以与AR(1)过程相比较的输出。因为我们的AR(1)过程也可以被看作是一个具有无限阶数的MA(∞)。

但是，如果我们认为时间序列不是平稳的，那么我们就拟合一个arima模型

1.  
   > model=arima(X,order=c(0,1,0),
2.  
   + include.mean = FALSE)

我们观察到：预测是平稳的，置信区间不断增加，实际上，方差向无穷大增加（以线性速度）。因此，在区分一个时间序列时应该非常小心，它将对预测产生巨大影响。

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测

拓端tecdat|R语言用AR，MA，ARIMA 模型进行时间序列预测