KNOWECON WIKI

ARTICLE

ARMA

ARMA (自回归移动平均模型) ARMA，即 自回归移动平均模型 (Autoregressive Moving Average Model)，是时间序列分析中最核心的线性平稳模型之一。它将AR（自回归）与MA（移动平均）两个分量结合，用少量参数刻画平稳时间序列的动态相依结构。ARMA 由 George E. P. Box 与 Gwilym Jenkins

浏览 0 更新 2025-11-09

ARMA (自回归移动平均模型)

ARMA，即 自回归移动平均模型 (Autoregressive Moving Average Model)，是时间序列分析中最核心的线性平稳模型之一。它将AR（自回归）与MA（移动平均）两个分量结合，用少量参数刻画平稳时间序列的动态相依结构。ARMA 由 George E. P. Box 与 Gwilym Jenkins 在1970年的经典著作《Time Series Analysis: Forecasting and Control》中系统化推广，奠定了现代时间序列建模的方法论基础，即Box-Jenkins方法。

模型定义

一个 ARMA(p,q) \text{ARMA}(p, q) 模型定义为：

yt=c+ϕ1yt−1+ϕ2yt−2+⋯+ϕpyt−p+εt+θ1εt−1+⋯+θqεt−qy_t = c + \phi_1 y_{t-1} + \phi_2 y_{t-2} + \cdots + \phi_p y_{t-p} + \varepsilon_t + \theta_1 \varepsilon_{t-1} + \cdots + \theta_q \varepsilon_{t-q}

其中 {εt} \{\varepsilon_t\} 是白噪声过程，满足 E[εt]=0 \mathbb{E}[\varepsilon_t]=0 ，Var⁡(εt)=σ2 \operatorname{Var}(\varepsilon_t)=\sigma^2 ，且 εt \varepsilon_t 之间无自相关。p p 为自回归阶数，q q 为移动平均阶数。

引入滞后算子 L L （满足 Lyt=yt−1 L y_t = y_{t-1} ），模型可紧凑写作：

ϕ(L)yt=c+θ(L)εt\phi(L) y_t = c + \theta(L) \varepsilon_t

其中 ϕ(L)=1−ϕ1L−ϕ2L2−⋯−ϕpLp \phi(L) = 1 - \phi_1 L - \phi_2 L^2 - \cdots - \phi_p L^p 是 AR 多项式，θ(L)=1+θ1L+⋯+θqLq \theta(L) = 1 + \theta_1 L + \cdots + \theta_q L^q 是 MA 多项式。

两个特殊情形：

  • ARMA(p,0) \text{ARMA}(p, 0) 即 AR(p) \text{AR}(p) ：纯自回归模型，yt y_t 仅由其过去值线性表示。
  • ARMA(0,q) \text{ARMA}(0, q) 即 MA(q) \text{MA}(q) ：纯移动平均模型，yt y_t 仅由当期和过去冲击的加权和驱动。

平稳性与可逆性

ARMA 模型的统计性质由 AR 多项式和 MA 多项式的根决定：

平稳性条件：AR 多项式 ϕ(z)=0 \phi(z)=0 的所有根必须落在单位圆外（即 ∣z∣>1 |z|>1 ）。这保证了冲击的影响随时间衰减，序列具有不随时间变化的均值和自协方差结构。若 ϕ(z) \phi(z) 存在单位根（z=1 z=1 ），则序列非平稳，需通过差分转化为ARIMA模型。

可逆性条件：MA 多项式 θ(z)=0 \theta(z)=0 的所有根必须落在单位圆外（即 ∣z∣>1 |z|>1 ）。可逆性保证模型可以用有限阶或收敛的 AR(∞ \infty ) 表示，这对参数估计和预测至关重要。不可逆的 MA 成分会导致似然函数出现多个局部最优，使估计困难。

当平稳性和可逆性均满足时，ARMA 模型具有唯一的Wold表示和平稳解。

自相关函数 (ACF) 与偏自相关函数 (PACF)

ACF 和 PACF 是 ARMA 模型识别阶段的核心诊断工具：

  • AR(p p )：ACF 呈指数衰减或阻尼正弦波衰减（拖尾），PACF 在滞后 p p 之后截尾（即 ϕkk=0 \phi_{kk}=0 对所有 k>p k>p ）。
  • MA(q q )：ACF 在滞后 q q 之后截尾，PACF 衰减（拖尾）。
  • ARMA(p,q p,q )：ACF 和 PACF 均在滞后超过各自阶数后呈现衰减模式（双双拖尾），仅从图像难以精确判断 p p 和 q q ，需借助信息准则。

这一对偶关系为Box-Jenkins方法的"识别"阶段提供了直观指导。

Box-Jenkins 建模策略

Box-Jenkins 方法分为三个阶段：

第一阶段：识别 (Identification)。通过ADF检验或KPSS检验判断序列是否平稳；若非平稳则差分至平稳（得到 d d ）。随后绘制样本 ACF 和 PACF 图，初步推断 p p 和 q q 的范围。

第二阶段：估计 (Estimation)。在候选阶数下，一般采用极大似然估计(MLE)或条件最小二乘法估计参数 (ϕ1,…,ϕp,θ1,…,θq,σ2) (\phi_1,\ldots,\phi_p,\theta_1,\ldots,\theta_q,\sigma^2) 。MLE 假定 εt \varepsilon_t 服从正态分布，最大化联合似然函数。

第三阶段：诊断检验 (Diagnostic Checking)。检验残差是否为白噪声（常用Ljung-Box Q Q 统计量），若残差仍存在显著自相关，则需返回第一阶段修改阶数。同时检查参数显著性（t t 检验）和模型简约性。

模型选择准则

当多组 (p,q) (p,q) 均通过诊断检验时，信息准则提供定量比较依据：

AIC=−2ln⁡L+2k,BIC=−2ln⁡L+kln⁡T\text{AIC} = -2\ln L + 2k, \quad \text{BIC} = -2\ln L + k\ln T

其中 L L 为似然函数最大值，k=p+q+1 k = p+q+1 （或 p+q+2 p+q+2 含截距项），T T 为样本量。AIC倾向于选择预测能力较好的模型，BIC对复杂度惩罚更严，在大样本下具有相合性（以概率1选出真模型）。实践中两者常结合使用，若 AIC 和 BIC 指向不同阶数，通常更信赖 BIC 在较大样本下的选择。

预测

基于 ARMA 模型的条件期望预测具有迭代递推结构。令 y^T+h∣T \hat{y}_{T+h|T} 表示基于时刻 T T 的信息集对 yT+h y_{T+h} 的预测：

  • 对于 h≤q h \leq q ，预测依赖于可观测的过去冲击 εT,εT−1,… \varepsilon_T, \varepsilon_{T-1}, \ldots ，后者通过残差回代获得。
  • 对于 h>q h > q ，MA 部分的冲击期望归零，预测主要由 AR 部分驱动，呈均值回归趋势。

预测误差方差随预测步长 h h 增加而单调递增，并收敛于序列的无条件方差。预测区间基于 εt \varepsilon_t 的正态性假设构造，h h 步预测的 95% 95\% 置信区间约为 y^T+h∣T±1.96⋅σ^h \hat{y}_{T+h|T} \pm 1.96 \cdot \hat{\sigma}_h 。

局限性与扩展

ARMA 模型有两个核心局限：第一，要求序列平稳，无法直接处理趋势或季节性；第二，假设条件方差恒定，忽略波动率聚簇。相应的扩展包括：

  • ARIMA(p,d,q p,d,q )：通过 d d 阶差分将非平稳序列变为平稳后再建模，是 ARMA 最直接且最重要的推广。
  • SARIMA（季节 ARIMA）：引入季节自回归和季节移动平均项 ARIMA(p,d,q)(P,D,Q)s \text{ARIMA}(p,d,q)(P,D,Q)_s ，处理月度、季度等周期性数据。
  • ARIMAX：在 ARIMA 框架中加入外生解释变量 Xt X_t ，适用于有协变量信息的场景。
  • GARCH：对残差的条件方差单独建模，形成 ARMA-GARCH 联合模型，广泛应用于金融波动率分析。
  • VAR（向量自回归）：将单变量 AR 结构推广到多元时间序列系统，捕捉变量间的动态交互。

ARMA 是连接统计学、计量经济学与信号处理的桥梁概念。在宏观经济学中，它广泛用于 GDP 增长率、通胀率和失业率等指标的建模与预测；在金融工程中，它是理解资产收益率动态、构建交易策略和风险管理模型的基础工具。