0. 目錄
金融時間序列分析：9. ARMA自迴歸移動平均模型
金融時間序列分析：8. MA模型實例（Python）
金融時間序列分析：7. MA滑動平均模型
金融時間序列分析：6. AR模型實例
金融時間序列分析：5. AR模型實例（Python）
金融時間序列分析：4. AR自迴歸模型
金融時間序列分析：3. First Demo By Python
金融時間序列分析：2. 數學分析模型
金融時間序列分析：1. 基礎知識
1. 前言
建立ARMA模型的過程和前面提到的建立AR/MA模型基本一致，只是對ARMA模型的定階方法不一樣。
2. ARMA定階
2.1 R語言對ARMA模型定階
R語言的TSA包中包含EACF函數，可以用來ARMA定階
函數：eacf(data, max_p, max_q)
ths_pq = eacf(log_ret, 10, 10)這個方法會直接輸出一個簡單的二維圖，選取左上角的“O”，其座標就是ARMA模型p，q階數，具體使用參考上一篇文章：
金融時間序列分析：9. ARMA自迴歸移動平均模型
結果如下圖所示：
當然，也可以把具體的數值輸出
print(ths_pq$eacf)
這些數字是對應ARMA模型的標準誤差 σ
XXOO的標準是:
當
|σ|<2/T‾‾√ 時，爲O，
否者爲X
其中T是數據大小。上面的數據量爲1799，那麼閾值爲：
用這個數值和上圖比較，你就能得到那張XXOO的圖了。
從數值看，應該選擇（p，q） = （5，2），但是這麼選的話模型的複雜度就太高了（7個參數），除此之外還有很多，等會我們對比下（0，2），（4，0），（1，2），（5，2）
再來看下ACF和PACF：
看到ACF和PACF我就有些蛋疼了………………
從ACF上看：AR（1）是一個比較合適的模型
從PACF上看：MA（1）是一個比較合適的模型