什么是自回归综合移动平均线？
自回归综合移动平均线或ARIMA是一种统计分析模型，它使用时间序列数据来更好地理解数据集或预测未来趋势。
了解自回归综合移动平均线（ARIMA）
自回归综合移动平均模型是一种回归分析，用于衡量一个因变量相对于其他变化变量的强度。 该模型的目标是通过检查序列值之间的差异而不是通过实际值来预测未来的证券或金融市场走势。
ARIMA模型的概述如下，可以理解ARIMA模型：
- 自回归（AR） 是指显示变化的变量的模型，该变量根据其自身的滞后值或先前值进行回归。 积分（I） 表示原始观测值的差异，以使时间序列变得平稳，即，数据值被数据值和先前值之间的差值代替。 移动平均值（MA） 包含了观测值与应用于移动观测值的移动平均值模型的残差之间的依赖关系。
每个组件均用作带有标准符号的参数。 对于ARIMA模型，标准符号为带有p，d和q的ARIMA，其中整数值代替参数来指示所使用的ARIMA模型的类型。 参数可以定义为：
- p ：模型中滞后观测值的数量； 也称为滞后阶。 d ：原始观测值相差的次数； q：移动平均窗口的大小； 也称为移动平均线的顺序。
例如，在线性回归模型中，包括项的数量和类型。 可以用作参数的0值表示不应在模型中使用特定组件。 这样，可以构建ARIMA模型来执行ARMA模型甚至简单的AR，I或MA模型的功能。
自回归综合移动平均线和平稳性
在自回归综合移动平均值模型中，对数据进行了差异处理以使其稳定。 显示平稳性的模型是表明数据随时间变化的模型。 大多数经济和市场数据都显示趋势，因此差异的目的是消除任何趋势或季节性结构。
季节性，或者当数据显示在一个日历年中重复出现的规则且可预测的模式时，可能会对回归模型产生负面影响。 如果出现趋势且平稳性不明显，则整个过程中的许多计算都无法高效地进行。
