预测模型

1. RIMA模型

全称自回归移动平均模型，也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列 预测的模型。
优点：模型十分简单，只需要内生变量而不需要借助外生变量。
缺点：

• 要求时序数据是稳定的，或者通过差分化后是稳定的。
• 本质上只能捕捉线性关系，不能捕捉非线性关系。
  注意，采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。比如股票数据用ARIMA无法预测的原因就是股票数据是非稳定的，常常受政策和新闻的影响而波动。
  判断时序数据是稳定的方法
  定义：一个时间序列的随机变量是稳定的，当且仅当其所有统计特征都是独立于时间的（关于时间的常量）。
  判断方法：稳定的数据是没有趋势没有周期性的，均值在时间轴上拥有常量的振幅，方差在时间轴上趋于同一个稳定的值。也可以使用Dickey-Fuller Test进行假设检验。
  参数和数据形式
  模型有三个参数:p,d,q。
• p--代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项
• d--代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated项。
• q--代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项