原文链接：/?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
> for(t in 2:n) X[t]=phi*X[t-1]+E[t]> plot(X,type="l")
如果我们拟合一个AR（1）模型。
arima(X,order=c(1,0,0),+ 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
> P=predict(model,n.ahead=20)> plot(P$pred)
在两个滞后期之后，预测是无效的，而且（条件）方差保持不变。但如果我们考虑一个具有较长阶数的移动平均过程。
> P=predict(model,n.ahead=20)> plot(P$pred)>
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
> model=arima(X,order=c(0,1,0),+ 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
