FINTS第四章線性ARMA模型

FINTS第四章線性ARMA模型金融時間序列分析·自回歸與滑動平均模型的理論、估計與應(yīng)用Contents本章內(nèi)容概覽線性ARMA模型的理論框架、估計方法與實戰(zhàn)應(yīng)用01時間序列基礎(chǔ)與平穩(wěn)性02自回歸（AR）模型03滑動平均（MA）模型04ARMA模型的理論與性質(zhì)05模型估計、診斷與實戰(zhàn)應(yīng)用Chapter01時間序列基礎(chǔ)與平穩(wěn)性理解時間序列數(shù)據(jù)的本質(zhì)特征與平穩(wěn)性假設(shè)的數(shù)學含義LINEARARMAMODEL時間序列的定義與基本特征時間序列是按時間順序排列的隨機變量觀測值序列，其核心特征在于數(shù)據(jù)點之間存在時間依賴性（自相關(guān)性），這種依賴性既是時間序列分析的挑戰(zhàn)，也是ARMA等模型建模的基礎(chǔ)。金融時間序列的典型走勢形態(tài)定義與范疇：時間序列{Xt}定義為一族按時間指標t排列的隨機變量，金融中常見日收益率、月度價格等離散觀測序列自相關(guān)性：時間序列最本質(zhì)的特征——當前觀測值Xt與歷史值Xt-1、Xt-2等存在統(tǒng)計依賴關(guān)系序列分解：通常可分解為趨勢成分、季節(jié)性成分和隨機波動成分，ARMA模型主要建模去趨勢后的平穩(wěn)分量金融特性：還表現(xiàn)出波動聚集（volatilityclustering）和尖峰厚尾（leptokurtic）等特有統(tǒng)計現(xiàn)象Stationarity平穩(wěn)性的定義與數(shù)學條件弱平穩(wěn)性（協(xié)方差平穩(wěn)）是ARMA建模的核心前提：要求序列均值恒定、方差有限且自協(xié)方差僅依賴于滯后階數(shù)k而非時間點t。非平穩(wěn)序列需通過差分等手段轉(zhuǎn)化為平穩(wěn)后才能應(yīng)用ARMA模型。Condition1E(Xt)=μ均值恒定，序列圍繞一個常數(shù)水平上下波動而無系統(tǒng)性漂移Condition2Var(Xt)=σ2方差有限且恒定，序列波動幅度在時間維度上保持一致Condition3Cov=γ(k)自協(xié)方差僅依賴于滯后階數(shù)k，與具體時間點t無關(guān)Strict嚴平穩(wěn)vs弱平穩(wěn)嚴平穩(wěn)要求任意有限維聯(lián)合分布關(guān)于時間平移不變；對高斯過程兩者等價平穩(wěn)序列（上）與非平穩(wěn)序列（下）的直觀對比CHAPTER04·LINEARARMA白噪聲過程與隨機沖擊白噪聲{ε_t}是均值為零、方差恒定且序列不相關(guān)的隨機過程，它是ARMA模型中隨機沖擊項的標準假設(shè)。DEFINITION白噪聲定義：{ε_t}滿足E(ε_t)=0、Var(ε_t)=σ2且Cov(ε_t,ε_s)=0（t≠s），即序列各時刻互不相關(guān)E(ε)=0GAUSSIAN若白噪聲進一步服從正態(tài)分布N(0,σ2)，則稱為高斯白噪聲，此時不相關(guān)等價于獨立，性質(zhì)更優(yōu)良N(0,σ2)ARMAERRORARMA模型中的誤差項假設(shè)為白噪聲，代表不可預(yù)測的隨機沖擊，是模型"解釋不了"的殘余信息隨機沖擊DIAGNOSIS擬合后殘差應(yīng)近似白噪聲，若殘差仍存在自相關(guān)性，說明模型階數(shù)不足或形式不當殘差檢驗CHAPTER04·LINEARARMA自協(xié)方差函數(shù)與自相關(guān)函數(shù)（ACF）自相關(guān)函數(shù)ACF是衡量時間序列自身不同時刻觀測值之間線性相關(guān)程度的核心工具。ACF的衰減模式（截斷vs拖尾）是區(qū)分AR、MA及ARMA模型類型的關(guān)鍵依據(jù)，也是模型定階的第一把"尺子"。01自協(xié)方差函數(shù)γ(k)=Cov(Xt,Xt+k)=E[(Xt?μ)(Xt+k?μ)]，度量滯后k期的兩個觀測值之間的協(xié)變程度。02自相關(guān)函數(shù)ρ(k)=γ(k)/γ(0)，將自協(xié)方差標準化到[?1,1]區(qū)間，消除量綱影響，便于跨序列比較。03對稱性與衰減平穩(wěn)序列ACF具有對稱性ρ(k)=ρ(?k)且|ρ(k)|≤1，隨k增大通常呈指數(shù)衰減或振蕩衰減。04模型識別關(guān)鍵MA(q)的ACF在滯后q階后精確截斷為零，AR(p)的ACF呈拖尾衰減——此差異是模型定階的核心判據(jù)。ACF自相關(guān)函數(shù)柱狀圖·滯后階數(shù)與相關(guān)系數(shù)FINTS·CHAPTER4偏自相關(guān)函數(shù)（PACF）與模型識別偏自相關(guān)函數(shù)PACF度量去除中間滯后變量影響后Xt與Xt+k之間的直接線性相關(guān)性。PACF與ACF的截斷/拖尾模式組合構(gòu)成ARMA模型類型識別的完整判據(jù)：AR模型PACF截斷ACF拖尾，MA模型反之。01PACF核心定義—Xt與Xt+k在去除Xt+1,…,Xt+k-1線性影響后的條件相關(guān)系數(shù)區(qū)別于ACF的"總相關(guān)"，PACF刻畫變量間的"直達"相關(guān)性，剔除間接路徑干擾，是識別模型階數(shù)的關(guān)鍵工具02AR(p)模型的PACF特征—在滯后p階后截斷為零這是AR模型的標志性特征，可用于直接判定AR階數(shù)p。理論上AR(p)的PACF在k>p時精確為零，樣本中表現(xiàn)為落入置信區(qū)間03MA(q)模型的鏡像對稱—PACF拖尾衰減，ACF在q階截斷MA(q)的PACF呈指數(shù)或振蕩衰減，不會突然截斷；而其ACF在q階后截斷。這一"對偶"關(guān)系是ARMA識別的理論基礎(chǔ)04ACF與PACF聯(lián)合判據(jù)—同時繪制兩圖進行綜合判斷若ACF與PACF均拖尾則暗示ARMA混合模型；若一截斷一拖尾則可判定純AR或純MA。實際建模需結(jié)合信息準則搜索最優(yōu)(p,q)組合CHAPTER02自回歸（AR）模型從AR(1)到AR(p)：用歷史觀測值解釋當前值的線性回歸框架CHAPTER04·LINEARARMAAR(1)模型的定義與動態(tài)特性AR(1)模型X_t=φ?X_{t-1}+ε_t是最基礎(chǔ)的自回歸模型，其平穩(wěn)性要求|φ?|<1。參數(shù)φ?控制序列的記憶強度與衰減速度：φ?越接近1，序列對歷史沖擊的記憶越持久，動態(tài)持續(xù)性越強。01模型定義X_t=c+φ?X_{t-1}+ε_t，當前值是前一期的線性函數(shù)加上白噪聲沖擊ε_t~WN(0,σ2)t-1X_t=c+φ?Xt-1+ε_t02平穩(wěn)性條件|φ?|<1，等價于特征方程1?φ?z=0的根z=1/φ?位于單位圓外，保證序列不發(fā)散|φ?|<103均值與方差E(X_t)=c/(1?φ?)，Var(X_t)=σ2/(1?φ?2)，φ?越接近1方差越大，序列波動越劇烈σ2/(1?φ?2)04ACF指數(shù)衰減ρ(k)=φ?^k，衰減速率由φ?決定；φ?=0.9時ρ(10)≈0.35，φ?=0.5時ρ(10)≈0.001ρ(k)=φ?^kFINTS·第四章線性ARMA模型AR(p)模型的一般形式與平穩(wěn)域AR(p)模型引入p階滯后項以捕捉更復(fù)雜的時序依賴結(jié)構(gòu)。其平穩(wěn)性由特征方程φ(z)=0的根全部位于單位圓外來保證，等價于模型可表示為收斂的MA(∞)過程。實踐中p通常不超過4-5階。01AR(p)模型定義X_t=c+φ?X_{t-1}+φ?X_{t-2}+…+φ_pX_{t-p}+ε_t，用p個歷史值線性預(yù)測當前值p階滯后02特征方程與平穩(wěn)性φ(z)=1?φ?z?φ?z2?…?φ_pz^p=0，平穩(wěn)性要求所有根的模|z_i|>1（位于單位圓外）單位圓外03AR(2)平穩(wěn)域充要條件：φ?+φ?<1，φ??φ?<1，|φ?|<1，參數(shù)空間為一個三角形區(qū)域三角區(qū)域04ACF與Yule-Walker方程ρ(k)=φ?ρ(k-1)+…+φ_pρ(k-p)，自相關(guān)函數(shù)呈拖尾衰減（指數(shù)或正弦振蕩）拖尾衰減Chapter4·LinearARMAModelsYule-Walker方程與AR參數(shù)估計Yule-Walker方程建立了AR模型參數(shù)與自相關(guān)函數(shù)之間的線性關(guān)系，既是理解AR模型理論性質(zhì)的關(guān)鍵工具，也是矩估計方法的理論基礎(chǔ)。Yule-Walker方程組ρ(k)=φ?ρ(k?1)+φ?ρ(k?2)+…+φpρ(k?p)k=1,2,…,p，p個方程解p個未知數(shù)p階方程矩陣形式Rφ=ρR為p×p自相關(guān)矩陣（Toeplitz結(jié)構(gòu)），φ為參數(shù)向量，ρ為自相關(guān)向量ToeplitzYule-Walker估計用樣本自相關(guān)系數(shù)r(k)代替理論值ρ(k)，通過求解線性方程組得到參數(shù)估計估計結(jié)果自動滿足平穩(wěn)性條件，是AR模型最常用的矩估計方法樣本ACF代入白噪聲方差估計σ2=γ(0)[1?φ?ρ(1)?φ?ρ(2)?…?φpρ(p)]由Yule-Walker方程直接推導(dǎo)σ2估計CAUSALITY&WOLDDECOMPOSITIONAR模型的因果性與Wold表示因果性要求AR模型可表示為當前及過去白噪聲的線性組合Xt=Σψjεt-j，等價于特征根在單位圓外。Wold分解定理保證任何平穩(wěn)過程都有唯一的MA(∞)表示，為脈沖響應(yīng)分析提供理論基礎(chǔ)。01因果性定義：Xt可表示為Σj=0∞ψjεt-j，其中Σ|ψj|<∞，保證序列僅依賴當前及過去的沖擊。Σ|ψj|<∞02因果性等價于φ(z)=0的根全部在單位圓外，與平穩(wěn)性條件一致；非因果模型在金融應(yīng)用中缺乏經(jīng)濟意義。|z|>103Wold分解定理：任何非確定性平穩(wěn)過程可唯一表示為Xt=Σj=0∞ψjεt-j，ψ0=1，Σψj2<∞。MA(∞)04脈沖響應(yīng)函數(shù)ψj描述第t期一個單位沖擊εt對未來第t+j期觀測值Xt+j的影響路徑與衰減模式。ψj衰減FINTS·第四章·線性ARMA模型AR模型在金融時間序列中的應(yīng)用AR模型廣泛應(yīng)用于利率建模、宏觀經(jīng)濟預(yù)測和金融收益率分析等領(lǐng)域。其核心價值在于捕捉序列的均值回復(fù)特性和短期持續(xù)性，為金融變量的短期預(yù)測和風險度量提供量化工具。利率與宏觀變量建模利率時間序列的均值回復(fù)特征Vasicek利率模型本質(zhì)是連續(xù)時間AR(1)過程，短期利率rt圍繞長期均值μ做均值回復(fù)運動GDP增長率、通脹率等宏觀變量常表現(xiàn)出顯著的AR特征，AR(1)或AR(2)即可捕捉主要動態(tài)收益率預(yù)測與市場微觀結(jié)構(gòu)證券交易所的高頻數(shù)據(jù)場景日度股票收益率中存在的微弱自相關(guān)性可用低階AR模型捕捉，雖預(yù)測力有限但具有統(tǒng)計顯著性高頻交易數(shù)據(jù)中的訂單流和價差序列表現(xiàn)出強AR特征，AR模型是微觀結(jié)構(gòu)分析的基礎(chǔ)工具CHAPTER03滑動平均（MA）模型用歷史隨機沖擊的加權(quán)平均解釋當前值的對偶建模框架ARMA·MOVINGAVERAGEMA(1)模型的定義與核心性質(zhì)MA(1)模型Xt=εt+θ?εt-1用當前和前一期的隨機沖擊線性組合來表示當前值。其標志性特征是ACF在滯后1階后精確截斷，且MA模型天然平穩(wěn)，無需額外參數(shù)約束。模型定義Xt=μ+εt+θ?εt-1，當前值由當前沖擊εt與前一期沖擊εt-1的加權(quán)和構(gòu)成θ?矩特征均值E(Xt)=μ，方差Var=(1+θ?2)σ2，自協(xié)方差γ(1)=θ?σ2，γ(k)=0對k≥2γ(k)=0ACF截斷ρ(1)=θ?/(1+θ?2)，ρ(k)=0對k≥2，ACF在滯后1階后精確為零——MA(1)的標志Lag-1天然平穩(wěn)無論θ?取何值，有限階MA過程都是平穩(wěn)的，這是與AR模型的重要區(qū)別?θ?CHAPTER04·LINEARARMAMA(q)模型與可逆性條件MA(q)模型的ACF在q階后截斷，是可識別性的重要特征。可逆性條件保證MA模型可唯一轉(zhuǎn)化為AR(∞)表示。01MA(q)模型定義Xt=μ+εt+θ?εt-1+…+θqεt-q，當前值由q+1個連續(xù)誤差項的線性組合構(gòu)成。q+1誤差項02ACF截斷特性γ(k)=σ2Σθjθj+k（k≤q），γ(k)=0（k>q）。自相關(guān)函數(shù)在q階后精確截斷為零。q階截斷03可逆性條件θ(z)=1+θ?z+…+θqzq=0的所有根|zi|>1，等價于MA可表示為收斂的AR(∞)。|zi|>104模型唯一性保障不可逆時同一ACF可對應(yīng)不同參數(shù)集的MA模型，導(dǎo)致參數(shù)不可識別；可逆性消除多對一映射。唯一標識Duality&EstimationAR-MA對偶性與MA模型估計因果AR過程可展開為MA(∞)，可逆MA過程可展開為AR(∞)，這種對偶性是ARMA統(tǒng)一框架的理論基石。MA模型的參數(shù)估計因ACF截斷導(dǎo)致Yule-Walker方程不可直接求解，需依賴非線性優(yōu)化或創(chuàng)新算法。01對偶性定理因果AR(p)等價于MA(∞)表示X_t=Σψ_jε_{t-j}，可逆MA(q)等價于AR(∞)表示Σπ_jX_{t-j}=ε_t。這一雙向展開揭示了AR與MA在數(shù)學結(jié)構(gòu)上的深層對稱關(guān)系。02實際意義真實DGP為MA時用AR逼近需高階且低效，反之亦然。正確識別模型類型可顯著提升建模效率，避免參數(shù)冗余與估計偏差。03MA參數(shù)估計不能直接用Yule-Walker方程（ACF截斷導(dǎo)致方程數(shù)不足），需條件MLE或精確MLE進行數(shù)值優(yōu)化求解參數(shù)。04Hannan-Rissanen算法先用高階AR估計殘差，再以殘差為回歸變量估計MA參數(shù)，提供MLE的良好初始值，加速收斂并改善數(shù)值穩(wěn)定性。CHAPTER04ARMA模型的理論與性質(zhì)自回歸與滑動平均的統(tǒng)一框架：模型定義、平穩(wěn)可逆條件與譜分析MODELDEFINITIONARMA(p,q)模型的定義與算子表示ARMA模型以滯后算子統(tǒng)一自回歸與滑動平均，少量參數(shù)即可捕捉豐富動態(tài)結(jié)構(gòu)。01模型定義Xt=c+ΣφiXt?i+εt+Σθjεt?j，融合p階自回歸（AR）與q階滑動平均（MA）兩個組件，構(gòu)成完整的ARMA(p,q)模型。02滯后算子B定義BXt=Xt?1，BkXt=Xt?k。引入滯后算子后，模型可簡潔表示為φ(B)Xt=c+θ(B)εt，表達更緊湊。03AR與MA多項式φ(B)=1?φ?B?…?φpBp為AR多項式，θ(B)=1+θ?B+…+θqBq為MA多項式，兩者共同決定模型的動態(tài)行為與平穩(wěn)性。04約簡原則若φ(B)與θ(B)存在公因子，應(yīng)先約去，避免模型過度參數(shù)化導(dǎo)致不可識別，確保參數(shù)估計的唯一性與模型的可解釋性。FINTS·LINEARARMAARMA的平穩(wěn)性、可逆性與ACF/PACF模式ARMA模型的平穩(wěn)性由AR多項式φ(B)=0的根在單位圓外決定，可逆性由MA多項式θ(B)=0的根在單位圓外決定。兩者均滿足時ACF和PACF均呈拖尾衰減，這是識別ARMA混合模型的關(guān)鍵信號。平穩(wěn)性條件φ(B)=0的所有根|z?|>1，僅取決于AR部分，MA部分對平穩(wěn)性無影響（有限階MA天然平穩(wěn)）。|zi|>1·AR決定可逆性條件θ(B)=0的所有根|z?|>1，僅取決于MA部分，保證模型可唯一轉(zhuǎn)化為AR(∞)表示。AR(∞)唯一表示ACF拖尾ρ(k)滿足φ(B)ρ(k)=0（k>q），衰減模式由AR特征根決定，呈指數(shù)衰減或阻尼正弦振蕩。φ(B)ρ(k)=0PACF拖尾PACF在p階后不截斷，而是逐漸衰減——ACF與PACF均拖尾是識別ARMA混合模型的判據(jù)。雙拖尾·識別判據(jù)CHAPTER04·LINEARARMAARMA的MA(∞)表示與脈沖響應(yīng)函數(shù)因果可逆的ARMA模型可展開為MA(∞)表示Xt=Σψjεt-j，權(quán)重序列{ψj}即脈沖響應(yīng)函數(shù)，描述單位沖擊對未來各期的動態(tài)影響路徑。ψj的衰減速度量化了金融沖擊的持續(xù)性與市場消化信息的時間尺度。MA(∞)展開Xt=Σj=0∞ψjεt-j，ψ0=1，權(quán)重ψj通過φ(B)ψ(B)=θ(B)遞推計算φ(B)ψ(B)ψj遞推公式ψj=φ1ψj-1+…+φpψj-p+θj（j≥1），初始條件ψ0=1，ψj=0（j<0）ψ0=1脈沖響應(yīng)函數(shù)IRF(j)=ψj：度量第t期一個單位沖擊εt對第t+j期Xt+j的邊際影響IRF(j)累積脈沖響應(yīng)Σj=0hψj度量沖擊的長期累積效應(yīng)；若Σψj收斂到有限值，沖擊效應(yīng)是暫時的Σψj收斂SpectralDensity·頻域分析ARMA模型的譜密度與頻域分析譜密度函數(shù)f(ω)描述序列方差在不同頻率上的分布，是ARMA模型頻域分析的核心工具。AR特征根在對應(yīng)頻率處產(chǎn)生譜峰（共振），MA特征根產(chǎn)生譜谷（濾波），二者共同塑造序列的頻域特征。譜密度定義f(ω)=(1/2π)Σγ(k)e?ikω，為自協(xié)方差函數(shù)的Fourier變換，ω∈[?π,π]FourierTransformARMA譜密度公式f(ω)=(σ2/2π)·|θ(e?iω)|2/|φ(e?iω)|2，分子MA部分、分母AR部分AR·MARatio共振與濾波AR特征根接近單位圓時在對應(yīng)頻率處產(chǎn)生尖峰（共振放大），反映序列中存在準周期性振蕩成分UnitCircle金融應(yīng)用通過譜密度識別收益率中的日、周、月周期成分，或檢測市場微觀結(jié)構(gòu)中的高頻噪聲特征CycleDetectionPREDICTIONTHEORYARMA模型的最優(yōu)預(yù)測理論ARMA模型的最優(yōu)預(yù)測（最小均方誤差意義下）通過遞推獲得，預(yù)測值隨步長增加收斂至無條件均值，預(yù)測誤差方差逐漸趨向無條件方差。這揭示了平穩(wěn)序列的預(yù)測極限：短期可預(yù)測，長期不可預(yù)測。01向前h步最優(yōu)預(yù)測X?t+h|t=E(Xt+h|Xt,Xt-1,…)，利用MA(∞)表示遞推計算02預(yù)測誤差et+h|t=Xt+h?X?t+h|t=Σj=0h?1ψjεt+h?j，僅包含未來h期的不可觀測沖擊03預(yù)測誤差方差Var(et+h|t)=σ2Σj=0h?1ψ2j，隨h增大單調(diào)遞增并收斂于σ2Σj=0∞ψ2j04長期預(yù)測極限h→∞時X?t+h|t→μ（無條件均值），Var(e)→γ(0)（無條件方差），預(yù)測價值消失CHAPTER05模型估計、診斷與實戰(zhàn)應(yīng)用從參數(shù)估計到模型診斷再到Python實現(xiàn)的完整建模流程ParameterEstimationARMA模型的參數(shù)估計方法ARMA模型參數(shù)估計主要有矩估計、最小二乘和最大似然三種方法。最大似然估計在大樣本下具有漸近有效性，是實踐中最常用的方法；但MA和ARMA的似然函數(shù)非線性，需依賴BFGS等數(shù)值優(yōu)化算法求解。矩估計用樣本ACF代入Yule-Walker方程求解，簡單快速但效率較低，適合AR模型的初步估計Yule-Walker條件最小二乘給定前p個初始觀測值，對ARMA回歸部分做OLS，計算簡便但初始值影響小樣本精度ConditionalOLS精確最大似然基于Kalman濾波計算精確似然函數(shù)，大樣本下漸近有效，是實際應(yīng)用的首選方法MLE·首選數(shù)值優(yōu)化MLE似然函數(shù)關(guān)于MA參數(shù)θ非線性，常用BFGS、Nelder-Mead等算法迭代求解BFGSOrderSelection模型階數(shù)選擇：信息準則與Box-Jenkins方法信息準則AIC和BIC通過在似然函數(shù)上施加復(fù)雜度懲罰來平衡擬合優(yōu)度與簡約性，是ARMA定階的核心工具。ACF/PACF模式速查模型ACFPACF定階AR(p)拖尾衰減p階截斷PACF=pMA(q)q階截斷拖尾衰減ACF=qARMA拖尾衰減拖尾衰減AIC/BICACF/PACF截斷與拖尾的組合是初步識別模型類型的核心工具01AIC準則AIC=?2ln(L)+2(p+q+1)，選最小AIC對應(yīng)的階數(shù)02BIC準則BIC=?2ln(L)+ln(T)·(p+q+1)，大樣本下一致選出真實階數(shù)03過擬合檢驗法先擬合高階模型，新增系數(shù)不顯著則降階，逐步簡化至最優(yōu)04Box-Jenkins建議p+q不超過4–5階，金融序列通常ARMA(1,1)或(2,1)即可MODELDIAGNOSTICS模型診斷：殘差檢驗與擬合優(yōu)度評估模型診斷的核心是檢驗殘差是否近似白噪聲：若殘差無自相關(guān)、無異方差、近似正態(tài)，則模型已充分提取數(shù)據(jù)信息。01殘差時序圖檢查觀察殘差是否圍繞零均值隨機波動，有無趨勢、異方差或異常值（outlier）等異常模式。零均值02殘差A(yù)CF/PACF圖若殘差A(yù)CF在95%置信帶內(nèi)無顯著尖峰，表明殘差無自相關(guān)性，模型已提取充分信息。95%置信帶03Ljung-BoxQ檢驗Q(m)=T(T+2)Σrk2/(T?k)~χ2(m?p?q)，p>0.05不拒絕白噪聲原假設(shè)。p>0.0504Jarque-Bera正態(tài)性檢驗檢驗殘差偏度和峰度是否符合正態(tài)分布，對MLE的統(tǒng)計推斷有效性至關(guān)重要。MLE推斷FINTS·第四章·線性ARMA模型完整建模案例：標普500日收益率ARMA分析以標普500日收益率演示Box-Jenkins完整循環(huán)：平穩(wěn)性檢驗→識別→擬合→診斷，展示迭代建模思想Step1–3·識別與估計01ADF檢驗確認收益率平穩(wěn)（p<0.01），ACF拖尾+PACF在2階截斷，初選AR(2)模型02擬合得φ?=0.08、φ?=?0.03（均顯著），AIC=?5.82，滯后5處有殘余自相關(guān)Step4–6·診斷與優(yōu)化03Ljung-BoxQ(10)=22.4,p=0.008，拒絕白噪聲假設(shè)，模型不充分需擴展04擴展為ARMA(2,1)，AIC降至?5.89，Q(10)=8.2,p=0.51通過檢驗結(jié)論：ARMA(2,1)充分描述標普500日收益率動態(tài)特征標普500指數(shù)歷史走勢·日收益率序列呈平穩(wěn)波動特征IMPLEMENTATIONPython實現(xiàn)：Statsmodels庫ARMA建模代碼框架Python的statsmodels庫提供了完整的ARMA建模工具鏈，從數(shù)據(jù)加載、模型擬合到殘差診斷均可通過簡潔API實現(xiàn)。模型構(gòu)建：fromstatsmodels.tsa.arima.modelimportARIMA;model=ARIMA(data,order=(p,0,q))，d=0即ARMA參數(shù)估計：model.fit()默認