arima模型基本公式

Arima模型，全称自回归积分滑动平均模型，基本公式是这样的：
[ \text{Y}{t} = \phi \text{Y}{t-1} + \theta \text{Z}{t-1} + \text{u}{t} ]
其中：

• (\text{Y}_{t}) 是时间序列的当前值。
• (\text{Y}_{t-1}) 是时间序列的滞后值。
• (\phi) 是自回归系数，表示当前值与滞后一期的相关性。
• (\text{Z}_{t-1}) 是白噪声序列，表示随机误差。
• (\theta) 是滑动平均系数，表示随机误差与当前值的相关性。
• (\text{u}_{t}) 是当前时刻的误差项。
  简单来说，Arima模型就是用过去的观测值和随机误差来预测未来的值。

ARIMA模型的基本公式是结合了自回归（AR）、移动平均（MA）和差分（I）的模型。其实很简单，我们可以用以下公式来表示它：
[ \text{y}_t = c + \phi1\text{y}{t-1} + \phi2\text{y}{t-2} + \cdots + \phip\text{y}{t-p} + \theta1\epsilon{t-1} + \theta2\epsilon{t-2} + \cdots + \thetaq\epsilon{t-q} ]
先说最重要的，这个公式中的 (\text{y}_t) 表示时间序列在时间 (t) 的值。自回归部分（AR）用 (\phi_1, \phi_2, \ldots, \phi_p) 来表示，移动平均部分（MA）用 (\theta_1, \theta_2, \ldots, \thetaq) 来表示。
另外一点，这里的 (c) 是常数项，(\epsilon{t}) 是误差项。去年我们跑的那个项目，大概3000量级的数据，我们就是用这个公式来预测未来几个月的销售量。
我一开始也以为ARIMA模型就是简单的加减乘除，后来发现不对，它其实是一个相当复杂的模型，需要通过参数估计来确定各个系数。等等，还有个事，ARIMA模型通常需要对时间序列进行差分来平稳化数据，这就是I部分的用武之地。
最后提醒一个容易踩的坑，就是参数的选择。参数选不对，模型预测的准确性就会大打折扣。我觉得值得试试不同的参数组合，或者使用自动化的模型选择工具来优化参数。