- 时间序列定义为以不同时间间隔记录的一系列数据点。时间顺序可以是每天、每月甚至每年。
- 时间序列预测是使用统计模型根据过去的结果预测时间序列的未来值的过程。
预测时间序列大致可分为两种类型。
- 如果我们只使用时间序列的先前值来预测其未来值，则称为单变量时间序列预测。Univariate
- 如果我们使用序列以外的预测变量（如外生变量）进行预测，则称为多变量时间序列预测。Multi Variate
ARIMA 代表 自回归综合移动平均模型。它属于一类模型，它根据自己的过去值（即自己的滞后和滞后预测误差）来解释给定的时间序列。该方程可用于预测未来值。任何表现出模式且不是随机白噪声的“非季节性”时间序列都可以使用 ARIMA 模型进行建模。
因此，ARIMA（AutoRegressive Integrated Moving Average）是一种预测算法，其基础是时间序列的过去值中的信息可以单独用于预测未来值。
ARIMA 模型由三个阶参数指定：（p、d、q）
- p 是 AR 项的顺序
- q 是 MA 项的顺序
- d 是使时间序列平稳所需的差分数
因此，ARIMA 缩写的具体解释：
- AR(p) 自回归 - 一种回归模型，它利用当前观测值与前一时期观测值之间的依赖关系。自动回归 （AR（p）） 组件是指在时间序列的回归方程中使用过去值。
- I(d) 集成
=============
协方差是统计学和概率论中的一个重要概念，用于衡量两组数据之间的线性关系。简单来说，协方差告诉我们两组数据如何一起变化。如果两个变量的大致趋势是一起增加或减少，则它们的协方差为正；如果一个变量增加而另一个变量减少，则它们的协方差为负。如果两者没有明显的线性关系，则协方差接近于零。
下面是一些更详细的解释：
对于两个随机变量 (X) 和 (Y)，它们的协方差定义为：
[ \text{Cov}(X, Y) = E[(X - E[X])(Y - E[Y])] ]
其中：
- (E[X]) 表示 (X) 的期望（均值）。
- (E[Y]) 表示 (Y) 的期望（均值）。
- (E[(X - E[X])(Y - E[Y])]) 表示 (X) 和 (Y) 的乘积偏差的期望。
对于有限的样本数据集 ({(x_1, y_1), (x_2, y_2), \ldots, (x_n, y_n)})，协方差可以计算为：
[ \text{Cov}(X, Y) = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})(y_i - \bar{y}) ]
其中：
- (\bar{x}) 是 (X) 的样本均值，即 (\bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i)。
- (\bar{y}) 是 (Y) 的样本均值，即 (\bar{y} = \frac{1}{n} \sum_{i=1}^{n} y_i)。
- 正协方差：如果 (\text{Cov}(X, Y) > 0)，说明 (X) 和 (Y) 之间存在正的线性关系，即 (X) 增加时 (Y) 也倾向于增加。
- 负协方差：如果 (\text{Cov}(X, Y) < 0)，说明 (X) 和 (Y) 之间存在负的线性关系，即 (X) 增加时 (Y) 倾向于减少。
- 零协方差：如果 (\text{Cov}(X, Y) = 0)，说明 (X) 和 (Y) 之间没有线性关系，但这并不意味着它们完全独立。
协方差的一个问题是它的数值范围依赖于变量的尺度。为了克服这一点，我们常常使用相关系数（也称皮尔逊相关系数），它是标准化的协方差，定义为：
[ \rho_{X,Y} = \frac{\text{Cov}(X, Y)}{\sigma_X \sigma_Y} ]
其中 (\sigma_X) 和 (\sigma_Y) 分别是 (X) 和 (Y) 的标准差。相关系数的值介于 -1 和 1 之间，表示变量之间的线性关系强度。
希望这些信息能帮助你更好地理解协方差的概念及其应用！
=============
自协方差（Autocovariance）是协方差的一个特例，用于衡量同一随机变量在不同时间点之间的线性关系。在时间序列分析中，自协方差是一个重要的工具，它可以帮助我们理解时间序列数据的内部结构和依赖性。
对于一个平稳的时间序列 ( {X_t} )，其自协方差函数（Autocovariance Function, ACF）定义为：
[ \gamma(k) = \text{Cov}(X_t, X_{t+k}) = E[(X_t - \mu)(X_{t+k} - \mu)] ]
其中：
- (X_t) 和 (X_{t+k}) 是时间序列在时间点 (t) 和 (t+k) 的值。
- (\mu) 是时间序列的均值，即 (E[X_t] = \mu)。
- (k) 是滞后（lag），表示时间点之间的间隔。
平稳性假设（Stationarity Assumption）是自协方差分析中的一个关键假设，即时间序列的统计性质（如均值和方差）在时间上是不变的。因此，自协方差只依赖于滞后 (k)，而不依赖于具体的时间点 (t)。
对于有限的样本时间序列 ({x_1, x_2, \ldots, x_n})，自协方差可以计算为：
[ \hat{\gamma}(k) = \frac{1}{n-k} \sum_{t=1}^{n-k} (x_t - \bar{x})(x_{t+k} - \bar{x}) ]
其中：
- (\bar{x}) 是时间序列的样本均值，即 (\bar{x} = \frac{1}{n} \sum_{t=1}^{n} x_t)。
- 正自协方差：如果 (\gamma(k) > 0)，表示时间序列在滞后 (k) 处有正的线性关系，即时间点 (t) 和 (t+k) 处的值倾向于同向变化。
- 负自协方差：如果 (\gamma(k) < 0)，表示时间序列在滞后 (k) 处有负的线性关系，即时间点 (t) 和 (t+k) 处的值倾向于反向变化。
- 零自协方差：如果 (\gamma(k) = 0)，表示时间序列在滞后 (k) 处没有线性关系。
类似于协方差和相关系数的关系，自协方差也可以标准化，得到自相关函数（Autocorrelation Function, ACF）：
[ \rho(k) = \frac{\gamma(k)}{\gamma(0)} ]
其中 (\gamma(0)) 是时间序列的方差。
自相关函数的值介于 -1 和 1 之间，用于描述时间序列在不同滞后处的相关性强度。
自协方差和自相关函数在时间序列分析中有广泛的应用，包括：
- 模型识别：如自回归模型（AR）、移动平均模型（MA）和自回归移动平均模型（ARMA）的识别。
- 信号处理：如周期性信号的检测和频谱分析。
- 经济和金融分析：如股票价格和经济指标的时间序列分析。