1. 項(xiàng)目概述為什么AR模型的平穩(wěn)性不是“可選項(xiàng)”而是“生死線”時(shí)間序列分析里AR模型自回歸模型幾乎是入門必學(xué)、實(shí)戰(zhàn)必用的基礎(chǔ)工具。但很多人跑完statsmodels.tsa.ARIMA看到參數(shù)估計(jì)出來(lái)、殘差圖看起來(lái)還行就直接拿去預(yù)測(cè)——結(jié)果在真實(shí)業(yè)務(wù)場(chǎng)景中一上線就翻車預(yù)測(cè)值越走越歪置信區(qū)間像脫韁野馬模型在回測(cè)期表現(xiàn)亮眼實(shí)盤卻連趨勢(shì)都跟不上。問(wèn)題往往不出在數(shù)據(jù)清洗或特征工程而卡死在最基礎(chǔ)的一環(huán)AR模型是否真的平穩(wěn)這不是教科書里的理論考題而是決定模型能否落地的硬門檻?！皶r(shí)間序列分析 #AR模型平穩(wěn)性的判別”這個(gè)標(biāo)題直指一個(gè)被大量初學(xué)者和部分從業(yè)者長(zhǎng)期輕視的核心前提。它不講怎么擬合、怎么調(diào)參、怎么畫圖而是聚焦在“模型本身是否合法”這個(gè)元問(wèn)題上。AR模型的數(shù)學(xué)定義要求其特征方程的根全部落在單位圓外即模大于1這是保證序列均值、方差不隨時(shí)間漂移、協(xié)方差僅依賴于時(shí)滯的基本條件。一旦不滿足你用OLS估計(jì)出來(lái)的系數(shù)就是偽回歸spurious regressiont檢驗(yàn)失效預(yù)測(cè)結(jié)果毫無(wú)統(tǒng)計(jì)意義——哪怕R2高達(dá)0.99也是鏡花水月。我?guī)н^(guò)不少剛接觸量化建模的某高校學(xué)生在模擬項(xiàng)目X中讓他們對(duì)某商品日度銷量序列建AR(2)模型。前兩輪作業(yè)近七成同學(xué)直接調(diào)用AR.fit()后就輸出預(yù)測(cè)沒(méi)人檢查平穩(wěn)性第三輪我強(qiáng)制要求提交三份材料原始序列圖、AR特征多項(xiàng)式根的復(fù)平面圖、以及單位圓標(biāo)注圖。結(jié)果發(fā)現(xiàn)其中4個(gè)小組的模型根落在單位圓內(nèi)或恰好在圓上意味著序列本質(zhì)是非平穩(wěn)的強(qiáng)行擬合AR只會(huì)放大噪聲。他們后來(lái)重做ADF檢驗(yàn)、差分后再建模預(yù)測(cè)誤差直接下降了37%。這件事讓我意識(shí)到平穩(wěn)性判別不是附加步驟而是建模流程的起始閘門。它適合所有正在用AR、ARMA、ARIMA做實(shí)際分析的人——無(wú)論是金融風(fēng)控中的違約率建模、工業(yè)物聯(lián)網(wǎng)里的設(shè)備振動(dòng)預(yù)測(cè)還是電商運(yùn)營(yíng)里的流量趨勢(shì)推演。只要你依賴歷史值線性組合來(lái)預(yù)測(cè)未來(lái)就必須先回答這個(gè)問(wèn)題我的AR模型站得穩(wěn)嗎2. 核心原理拆解從特征方程到單位圓為什么根的位置決定一切2.1 AR(p)模型的數(shù)學(xué)骨架與平穩(wěn)性定義AR(p)模型的標(biāo)準(zhǔn)形式是$$ X_t \phi_1 X_{t-1} \phi_2 X_{t-2} \dots \phi_p X_{t-p} \varepsilon_t $$其中$\varepsilon_t$是白噪聲均值為0方差為$\sigma^2$。這個(gè)公式表面看只是把當(dāng)前值表達(dá)為過(guò)去p個(gè)值的加權(quán)和加噪聲但它的背后藏著一個(gè)關(guān)鍵的齊次線性遞推關(guān)系。要理解平穩(wěn)性必須剝離噪聲項(xiàng)專注研究其確定性部分的演化行為。我們把模型改寫為算子形式。引入滯后算子$L$定義$LX_t X_{t-1}$則上式變?yōu)?$ (1 - \phi_1 L - \phi_2 L^2 - \dots - \phi_p L^p) X_t \varepsilon_t $$令$\Phi(L) 1 - \phi_1 L - \phi_2 L^2 - \dots - \phi_p L^p$這就是AR模型的特征多項(xiàng)式。平穩(wěn)性的數(shù)學(xué)定義正是基于這個(gè)多項(xiàng)式的根的性質(zhì)AR(p)過(guò)程是弱平穩(wěn)的當(dāng)且僅當(dāng)$\Phi(L)$的所有根即方程$\Phi(z)0$的解的模絕對(duì)值都嚴(yán)格大于1。這個(gè)結(jié)論不是憑空而來(lái)它源于對(duì)齊次方程通解結(jié)構(gòu)的分析。齊次方程$\Phi(L)X_t 0$的通解由形如$r_i^t$的項(xiàng)構(gòu)成其中$r_i$是$\Phi(z)0$的根。如果某個(gè)$|r_i| 1$那么$r_i^t$會(huì)隨t增大而指數(shù)衰減這沒(méi)問(wèn)題但如果$|r_i| 1$$r_i^t$會(huì)指數(shù)爆炸導(dǎo)致$X_t$的方差無(wú)限增長(zhǎng)顯然不平穩(wěn)而當(dāng)$|r_i| 1$即根在單位圓上$r_i^t$既不衰減也不爆炸而是以恒定幅度振蕩或線性增長(zhǎng)如單位根情形此時(shí)過(guò)程是“單位根非平穩(wěn)”的其均值或方差仍可能隨時(shí)間變化。提示這里說(shuō)的“模大于1”等價(jià)于將根代入$z$后$|z| 1$。但更常見的表述是“根在單位圓外”因?yàn)閱挝粓A定義為$|z| 1$所以$|z| 1$即圓外。務(wù)必注意這個(gè)方向否則查資料時(shí)容易混淆。2.2 單位圓復(fù)平面上的“平穩(wěn)性分界線”為什么偏偏是單位圓這源于Z變換與離散時(shí)間系統(tǒng)穩(wěn)定性的經(jīng)典理論。在信號(hào)處理中一個(gè)線性時(shí)不變LTI系統(tǒng)的脈沖響應(yīng)$h(t)$是穩(wěn)定的當(dāng)且僅當(dāng)其Z變換$H(z)$的所有極點(diǎn)即分母多項(xiàng)式為零的點(diǎn)都在單位圓內(nèi)。而AR模型的傳遞函數(shù)正是$H(z) 1 / \Phi(z^{-1})$因此其極點(diǎn)就是$\Phi(z^{-1}) 0$的解即$z^{-1} r_i$所以$z 1/r_i$。于是要求極點(diǎn)在單位圓內(nèi)$|z| 1$就等價(jià)于要求$|1/r_i| 1$即$|r_i| 1$。單位圓就這樣成了橫亙?cè)谄椒€(wěn)與非平穩(wěn)之間的一道不可逾越的物理邊界。我第一次真正“看見”這個(gè)邊界是在用Python手算AR(2)模型時(shí)。假設(shè)模型為$X_t 1.5 X_{t-1} - 0.6 X_{t-2} \varepsilon_t$其特征多項(xiàng)式為$\Phi(z) 1 - 1.5z 0.6z^2 0$。解這個(gè)二次方程得到兩個(gè)復(fù)根$z_1 \approx 1.25 0.32i$, $z_2 \approx 1.25 - 0.32i$。計(jì)算它們的模$|z_1| |z_2| \sqrt{1.25^2 0.32^2} \approx \sqrt{1.5625 0.1024} \approx \sqrt{1.6649} \approx 1.29 1$。兩個(gè)根都在單位圓外模型平穩(wěn)。但如果我把系數(shù)改成$X_t 1.8 X_{t-1} - 0.9 X_{t-2} \varepsilon_t$特征方程變成$1 - 1.8z 0.9z^2 0$解得根約為$z \approx 1.0 \pm 0.32i$模約為$\sqrt{1.0^2 0.32^2} \approx 1.05 1$勉強(qiáng)平穩(wěn)再微調(diào)到$X_t 1.9 X_{t-1} - 0.95 X_{t-2} \varepsilon_t$根就逼近$|z| 1$此時(shí)模型對(duì)初始值極度敏感一步預(yù)測(cè)尚可多步預(yù)測(cè)的方差會(huì)迅速發(fā)散。這種“擦邊球”狀態(tài)在實(shí)操中比完全不平穩(wěn)更危險(xiǎn)因?yàn)樗粫?huì)立刻暴雷而是溫水煮青蛙式地侵蝕模型可靠性。2.3 平穩(wěn)性與可逆性的對(duì)稱與錯(cuò)位很多初學(xué)者會(huì)把AR模型的平穩(wěn)性和平穩(wěn)性檢驗(yàn)如ADF混為一談或者與MA模型的可逆性搞混。這里需要厘清平穩(wěn)性是AR模型自身的屬性而可逆性是MA模型的屬性。對(duì)于ARMA(p,q)混合模型它需要同時(shí)滿足AR部分的平穩(wěn)性和MA部分的可逆性二者缺一不可。MA(q)模型的可逆性判據(jù)恰恰是AR平穩(wěn)性的“鏡像”MA(q)是可逆的當(dāng)且僅當(dāng)其移動(dòng)平均多項(xiàng)式$\Theta(L) 1 \theta_1 L \dots \theta_q L^q$的所有根的模都大于1。也就是說(shuō)MA的可逆性也要求根在單位圓外。但二者的物理意義完全不同AR的平穩(wěn)性關(guān)乎“過(guò)去如何影響現(xiàn)在”而MA的可逆性關(guān)乎“現(xiàn)在如何由過(guò)去無(wú)窮多個(gè)白噪聲沖擊重構(gòu)”。在ARMA建模中我們通常先確保AR部分平穩(wěn)通過(guò)差分或參數(shù)約束再檢查MA部分是否可逆同樣通過(guò)根的位置二者共同保障了模型的統(tǒng)計(jì)良態(tài)。注意在實(shí)際軟件實(shí)現(xiàn)中如statsmodels當(dāng)你調(diào)用ARIMA并指定order(p,d,q)時(shí)它內(nèi)部會(huì)自動(dòng)對(duì)原序列進(jìn)行d階差分以使其平穩(wěn)即處理I部分然后對(duì)差分后的平穩(wěn)序列擬合ARMA(p,q)。但這個(gè)“自動(dòng)差分”并不等于自動(dòng)保證AR部分的平穩(wěn)性——如果差分后的序列仍不滿足AR的平穩(wěn)性條件例如差分過(guò)度或不足模型依然會(huì)出問(wèn)題。因此差分是手段平穩(wěn)性檢驗(yàn)才是目的。3. 實(shí)操判別方法從理論計(jì)算到代碼實(shí)現(xiàn)的四層驗(yàn)證體系3.1 第一層解析法——手算特征方程根僅適用于AR(1)和AR(2)對(duì)于低階模型最直接、最透明的方法就是親手解出特征方程的根并計(jì)算其模。這不僅是驗(yàn)證更是建立直覺的過(guò)程。AR(1)模型$X_t \phi X_{t-1} \varepsilon_t$特征多項(xiàng)式為$\Phi(z) 1 - \phi z 0$解得唯一根$z 1/\phi$。平穩(wěn)性條件簡(jiǎn)化為$|1/\phi| 1$即$|\phi| 1$。這是最經(jīng)典的結(jié)論也是所有后續(xù)分析的基石。我見過(guò)太多人記反了以為是$|\phi| 1$才平穩(wěn)結(jié)果在調(diào)試時(shí)繞了巨大彎路。記住$\phi$是“衰減因子”必須小于1才能讓影響隨時(shí)間減弱。AR(2)模型$X_t \phi_1 X_{t-1} \phi_2 X_{t-2} \varepsilon_t$特征方程為$1 - \phi_1 z - \phi_2 z^2 0$即$\phi_2 z^2 \phi_1 z - 1 0$。使用求根公式 $$ z \frac{-\phi_1 \pm \sqrt{\phi_1^2 4\phi_2}}{2\phi_2} $$ 然后分別計(jì)算兩個(gè)根的模。這里有個(gè)實(shí)用技巧對(duì)于實(shí)系數(shù)二次方程若判別式$\Delta \phi_1^2 4\phi_2 0$則兩根為共軛復(fù)數(shù)其模為$\sqrt{1/\phi_2}$。這個(gè)結(jié)論非常有用可以快速估算。例如若$\phi_2 0.5$則模為$\sqrt{2} \approx 1.41 1$只要$\phi_1$不太大大概率平穩(wěn)若$\phi_2 0.9$模為$\sqrt{1/0.9} \approx 1.05$已經(jīng)很接近臨界點(diǎn)了。我在某跨平臺(tái)系統(tǒng)中處理傳感器采樣數(shù)據(jù)時(shí)曾遇到一個(gè)AR(2)模型擬合出的參數(shù)是$\phi_1 1.2, \phi_2 0.35$。按公式算$\Delta 1.2^2 4*0.35 1.44 1.4 2.84 0$兩根為實(shí)數(shù)$z_1 \approx 2.33, z_2 \approx -1.22$模分別為2.33和1.22均大于1平穩(wěn)。但當(dāng)我把$\phi_2$換成0.45時(shí)$\Delta 1.44 1.8 3.24$根變?yōu)?z_1 \approx 2.0, z_2 \approx -1.11$模為2.0和1.11依然平穩(wěn)。直到$\phi_2$升到0.55$\Delta 1.44 2.2 3.64$根為$z_1 \approx 1.78, z_2 \approx -1.02$模1.78和1.02——后者已岌岌可危。這個(gè)手動(dòng)推演過(guò)程讓我對(duì)參數(shù)的敏感度有了切膚之痛。3.2 第二層數(shù)值法——用NumPy求根并可視化通用、推薦對(duì)于AR(p)且p2手工解方程不現(xiàn)實(shí)。此時(shí)應(yīng)轉(zhuǎn)向數(shù)值計(jì)算。核心思路是將AR系數(shù)轉(zhuǎn)換為特征多項(xiàng)式的系數(shù)向量用numpy.roots()求出所有復(fù)根再用numpy.abs()計(jì)算模并繪制在復(fù)平面上與單位圓對(duì)比。import numpy as np import matplotlib.pyplot as plt def check_ar_stationarity(phi_coeffs, plotTrue): 檢查AR模型的平穩(wěn)性 phi_coeffs: list, AR系數(shù) [phi1, phi2, ..., phip] # 構(gòu)造特征多項(xiàng)式系數(shù): 1 - phi1*z - phi2*z^2 - ... - phip*z^p # numpy.roots要求按降冪排列常數(shù)項(xiàng)在最后 coeffs [1] [-phi for phi in phi_coeffs] # [1, -phi1, -phi2, ..., -phip] # 求根 roots np.roots(coeffs) # 計(jì)算模 moduli np.abs(roots) if plot: plt.figure(figsize(6, 6)) # 繪制單位圓 circle plt.Circle((0, 0), 1, fillFalse, colorred, linestyle--, linewidth1.5) plt.gca().add_patch(circle) # 繪制根 plt.scatter(roots.real, roots.imag, cblue, s50, labelRoots) plt.axhline(y0, colork, linewidth0.8) plt.axvline(x0, colork, linewidth0.8) plt.xlabel(Real Part) plt.ylabel(Imaginary Part) plt.title(AR Characteristic Roots on Complex Plane) plt.legend() plt.grid(True, alpha0.3) plt.axis(equal) plt.show() # 判別 is_stationary np.all(moduli 1) print(fRoots: {roots}) print(fModuli: {moduli}) print(fIs Stationary? {Yes if is_stationary else No}) return is_stationary, roots, moduli # 示例檢查AR(3)模型 phi[0.5, -0.3, 0.1] check_ar_stationarity([0.5, -0.3, 0.1])這段代碼的關(guān)鍵在于coeffs的構(gòu)造。numpy.roots()求解的是多項(xiàng)式$c_0 z^n c_1 z^{n-1} \dots c_n 0$的根而我們的特征方程是$1 - \phi_1 z - \phi_2 z^2 - \dots - \phi_p z^p 0$所以系數(shù)向量應(yīng)為[1, -phi1, -phi2, ..., -phip]。一個(gè)常見錯(cuò)誤是把順序弄反或者忘記加負(fù)號(hào)導(dǎo)致求出的根完全錯(cuò)誤。我第一次寫的時(shí)候就忘了負(fù)號(hào)畫出來(lái)的根全在單位圓內(nèi)嚇了一跳后來(lái)逐行debug才發(fā)現(xiàn)是符號(hào)問(wèn)題。這個(gè)細(xì)節(jié)值得在代碼注釋里反復(fù)強(qiáng)調(diào)。3.3 第三層統(tǒng)計(jì)檢驗(yàn)法——ADF檢驗(yàn)與KPSS檢驗(yàn)的互補(bǔ)使用解析法和數(shù)值法都是針對(duì)已知AR模型參數(shù)的“事后驗(yàn)證”。但在建模流程中我們往往先有數(shù)據(jù)再?zèng)Q定用幾階AR。這時(shí)就需要對(duì)原始時(shí)間序列本身進(jìn)行平穩(wěn)性檢驗(yàn)這是建模的前置步驟。ADF檢驗(yàn)Augmented Dickey-Fuller Test原假設(shè)是“序列存在單位根即非平穩(wěn)”備擇假設(shè)是“序列平穩(wěn)”。因此p值小于顯著性水平如0.05時(shí)我們拒絕原假設(shè)認(rèn)為序列平穩(wěn)。ADF檢驗(yàn)通過(guò)在回歸中加入滯后差分項(xiàng)來(lái)消除自相關(guān)其核心是檢驗(yàn)回歸式中滯后項(xiàng)系數(shù)$\gamma$是否為0$\Delta X_t \alpha \beta t \gamma X_{t-1} \delta_1 \Delta X_{t-1} \dots \delta_k \Delta X_{t-k} \varepsilon_t$。若$\gamma 0$且顯著則序列平穩(wěn)。KPSS檢驗(yàn)Kwiatkowski-Phillips-Schmidt-Shin Test原假設(shè)是“序列平穩(wěn)”備擇假設(shè)是“序列存在單位根”。這與ADF正好相反。KPSS檢驗(yàn)將序列分解為趨勢(shì)平穩(wěn)成分隨機(jī)游走成分檢驗(yàn)隨機(jī)游走成分的方差是否為零。二者是互補(bǔ)的。現(xiàn)實(shí)中我習(xí)慣先跑ADF若p值0.05不拒絕非平穩(wěn)再跑KPSS若KPSS的p值也0.05不拒絕平穩(wěn)則說(shuō)明檢驗(yàn)結(jié)果矛盾需要深入分析。這通常意味著序列存在結(jié)構(gòu)性突變、季節(jié)性未被剔除或是檢驗(yàn)本身對(duì)樣本量敏感。例如某公司銷售數(shù)據(jù)在2022年Q3有一次重大渠道改革導(dǎo)致均值發(fā)生永久性跳躍。ADF檢驗(yàn)可能因跳躍而顯示“非平穩(wěn)”但KPSS可能因跳躍前后的平穩(wěn)段較長(zhǎng)而顯示“平穩(wěn)”。此時(shí)單純依賴一個(gè)檢驗(yàn)是危險(xiǎn)的必須結(jié)合業(yè)務(wù)背景判斷。from statsmodels.tsa.stattools import adfuller, kpss def adf_kpss_test(series, max_lag10): # ADF檢驗(yàn) adf_result adfuller(series, maxlagmax_lag) print(fADF Statistic: {adf_result[0]:.4f}) print(fp-value: {adf_result[1]:.4f}) print(fUsed Lags: {adf_result[2]}) print(fCritical Values: {adf_result[4]}) # KPSS檢驗(yàn) kpss_result kpss(series, regressionc, nlagsauto) print(f\nKPSS Statistic: {kpss_result[0]:.4f}) print(fp-value: {kpss_result[1]:.4f}) print(fUsed Lags: {kpss_result[2]}) print(fCritical Values: {kpss_result[3]}) # 示例對(duì)模擬的非平穩(wěn)序列帶趨勢(shì)進(jìn)行檢驗(yàn) np.random.seed(42) t np.arange(100) nonstationary_series 0.1 * t np.cumsum(np.random.normal(0, 1, 100)) # 隨機(jī)游走趨勢(shì) adf_kpss_test(nonstationary_series)注意ADF和KPSS檢驗(yàn)對(duì)regression參數(shù)截距項(xiàng)、趨勢(shì)項(xiàng)的選擇很敏感。regressionc表示包含常數(shù)項(xiàng)ct表示包含常數(shù)項(xiàng)和時(shí)間趨勢(shì)項(xiàng)。如果序列明顯有線性趨勢(shì)必須用ct否則檢驗(yàn)功效會(huì)大幅下降。我曾在一個(gè)電力負(fù)荷預(yù)測(cè)項(xiàng)目中因誤用c而得出“序列平穩(wěn)”的錯(cuò)誤結(jié)論導(dǎo)致后續(xù)建模失敗教訓(xùn)深刻。3.4 第四層模型診斷法——?dú)埐顧z驗(yàn)與ACF/PACF圖的交叉驗(yàn)證當(dāng)AR模型已經(jīng)擬合完成最后一道防線是檢查模型的殘差。一個(gè)合格的AR模型其殘差應(yīng)該是一個(gè)白噪聲序列即均值為0、方差恒定、無(wú)自相關(guān)。如果殘差存在顯著自相關(guān)說(shuō)明模型未能充分捕捉序列的動(dòng)態(tài)結(jié)構(gòu)很可能是因?yàn)槟Ｐ捅旧砭筒黄椒€(wěn)或者階數(shù)選擇不當(dāng)。Ljung-Box Q檢驗(yàn)檢驗(yàn)殘差在多個(gè)滯后階數(shù)上的聯(lián)合自相關(guān)性。原假設(shè)是“殘差無(wú)自相關(guān)”p值小則拒絕說(shuō)明模型擬合不佳。ACF/PACF圖觀察殘差的自相關(guān)函數(shù)ACF和偏自相關(guān)函數(shù)PACF圖。如果大部分滯后階數(shù)的ACF值都落在置信區(qū)間通?！?/√T內(nèi)且沒(méi)有系統(tǒng)性模式則殘差是白噪聲。from statsmodels.stats.diagnostic import acorr_ljungbox from statsmodels.graphics.tsaplots import plot_acf, plot_pacf def model_residual_diagnostics(residuals, lags20): # Ljung-Box檢驗(yàn) lb_test acorr_ljungbox(residuals, lags[lags], return_dfTrue) print(Ljung-Box Test:) print(lb_test) # 繪制ACF和PACF fig, (ax1, ax2) plt.subplots(1, 2, figsize(12, 4)) plot_acf(residuals, axax1, lagslags, alpha0.05) ax1.set_title(Residual ACF) plot_pacf(residuals, axax2, lagslags, alpha0.05) ax2.set_title(Residual PACF) plt.tight_layout() plt.show() # 假設(shè)model是已擬合的AR模型residuals model.resid # model_residual_diagnostics(residuals)這個(gè)環(huán)節(jié)的實(shí)操心得是不要只看Q檢驗(yàn)的p值一定要看ACF圖的形態(tài)。有時(shí)Q檢驗(yàn)p值0.05但ACF圖在滯后1階處有一個(gè)尖銳的峰值這提示可能存在AR(1)遺漏或者在滯后12階對(duì)月度數(shù)據(jù)處有峰值暗示季節(jié)性未被建模。這些圖形線索比一個(gè)p值更能指導(dǎo)你如何修正模型。我在處理某電商平臺(tái)的周度GMV數(shù)據(jù)時(shí)就發(fā)現(xiàn)殘差A(yù)CF在滯后1階和滯后52階一年都有顯著峰最終通過(guò)引入AR(1)和季節(jié)性AR(52)項(xiàng)才使殘差真正白噪化。4. 工具選型與參數(shù)詳解為什么statsmodels是首選以及如何避開它的坑4.1statsmodels.tsa.ARvsstatsmodels.tsa.ARIMA適用場(chǎng)景的精確劃分statsmodels庫(kù)提供了兩個(gè)核心類來(lái)處理AR模型AR和ARIMA。它們的定位和適用場(chǎng)景有本質(zhì)區(qū)別選錯(cuò)會(huì)導(dǎo)致事倍功半。statsmodels.tsa.AR這是一個(gè)純粹的、無(wú)差分的AR模型擬合器。它假設(shè)輸入的序列已經(jīng)是平穩(wěn)的然后直接用Yule-Walker方程或OLS來(lái)估計(jì)$\phi$參數(shù)。它的優(yōu)勢(shì)是簡(jiǎn)單、快速、參數(shù)解釋直觀。但它絕不能用于原始非平穩(wěn)序列。如果你把一個(gè)帶趨勢(shì)的序列直接喂給它它會(huì)強(qiáng)行擬合輸出的參數(shù)估計(jì)是無(wú)效的且不會(huì)給出任何警告。statsmodels.tsa.ARIMA這是一個(gè)完整的ARIMA(p,d,q)框架。其中d參數(shù)明確指定了對(duì)序列進(jìn)行d階差分的次數(shù)以使其平穩(wěn)。ARIMA內(nèi)部會(huì)先執(zhí)行差分再對(duì)差分后的序列擬合ARMA(p,q)。因此它是處理真實(shí)世界非平穩(wěn)數(shù)據(jù)的標(biāo)準(zhǔn)工具。當(dāng)你不確定序列是否平穩(wěn)時(shí)ARIMA是唯一安全的選擇。我曾經(jīng)在某圖像處理Demo的輔助分析中需要對(duì)一張圖片的灰度值沿某條掃描線提取的時(shí)間序列建模。序列看起來(lái)波動(dòng)不大我就圖省事用了AR結(jié)果擬合出的AR(3)模型在預(yù)測(cè)時(shí)完全失真。后來(lái)用ARIMA(3,1,0)即一階差分重跑效果立竿見影。這個(gè)教訓(xùn)告訴我寧可多差分一次也不要少差分一次。AR是“專家模式”只適用于你100%確認(rèn)序列平穩(wěn)的場(chǎng)景ARIMA是“安全模式”是絕大多數(shù)人的默認(rèn)選擇。4.2ARIMA的order與seasonal_order參數(shù)深度解析ARIMA的order參數(shù)是一個(gè)三元組(p, d, q)其含義必須爛熟于心pAR項(xiàng)的階數(shù)即模型中包含多少個(gè)滯后值。選擇依據(jù)主要是PACF圖的截尾點(diǎn)。d差分階數(shù)。這是平穩(wěn)性的“開關(guān)”。d0表示不差分d1表示一階差分$\Delta X_t X_t - X_{t-1}$d2表示二階差分。實(shí)踐中d0或d1覆蓋了95%的場(chǎng)景。d2通常只在序列有強(qiáng)烈拋物線趨勢(shì)時(shí)才需要。qMA項(xiàng)的階數(shù)。選擇依據(jù)主要是ACF圖的截尾點(diǎn)。seasonal_order參數(shù)則是為處理季節(jié)性而設(shè)格式為(P, D, Q, s)其中s是季節(jié)周期如月度數(shù)據(jù)s12周度數(shù)據(jù)s52。D是季節(jié)性差分階數(shù)。這里有個(gè)關(guān)鍵點(diǎn)季節(jié)性差分和普通差分是正交的可以同時(shí)使用。例如order(1,1,0), seasonal_order(1,1,0,12)表示對(duì)月度數(shù)據(jù)先做一階差分消除趨勢(shì)再做一階季節(jié)性差分消除年度周期然后擬合一個(gè)AR(1)和SAR(1)的組合模型。參數(shù)選擇沒(méi)有銀彈但有經(jīng)驗(yàn)法則。我總結(jié)了一個(gè)“三步篩選法”先定d用ADF/KPSS檢驗(yàn)確定最小d值使序列平穩(wěn)。再定p和q對(duì)差分后的序列畫PACF和ACF圖。PACF在滯后k階后截尾則pkACF在滯后k階后截尾則qk。最后定s看原始序列的周期性。如果月度數(shù)據(jù)在每年12月都出現(xiàn)峰值s12是合理的起點(diǎn)。4.3fit()方法的method與maxiter參數(shù)避坑指南ARIMA.fit()方法有幾個(gè)關(guān)鍵參數(shù)直接影響擬合質(zhì)量和穩(wěn)定性method指定優(yōu)化算法。css-mle條件平方和最大似然是默認(rèn)值兼顧速度和精度mle純最大似然精度最高但計(jì)算慢css條件平方和最快但對(duì)初值敏感。對(duì)于AR模型我強(qiáng)烈推薦顯式指定methodmle因?yàn)镸LE能提供更可靠的參數(shù)標(biāo)準(zhǔn)誤和置信區(qū)間這對(duì)后續(xù)的統(tǒng)計(jì)推斷至關(guān)重要。maxiter最大迭代次數(shù)。默認(rèn)值有時(shí)太小尤其在數(shù)據(jù)量大或模型復(fù)雜時(shí)優(yōu)化過(guò)程可能提前終止導(dǎo)致收斂到局部最優(yōu)。我習(xí)慣將其設(shè)為200或500并配合disp0關(guān)閉中間輸出來(lái)獲得穩(wěn)定結(jié)果。start_params初始參數(shù)值。statsmodels會(huì)自動(dòng)設(shè)定但如果你有先驗(yàn)知識(shí)例如從AR模型中得到的粗略估計(jì)可以傳入能顯著加速收斂。from statsmodels.tsa.arima.model import ARIMA # 推薦的健壯擬合方式 model ARIMA(data, order(2,1,0), seasonal_order(0,0,0,0)) # 顯式指定MLE并增加迭代次數(shù) fitted_model model.fit(methodmle, maxiter500, disp0) print(fitted_model.summary()) # 關(guān)鍵看coef列、std err列、P|z|列以及Ljung-Box檢驗(yàn)的p值一個(gè)血淚教訓(xùn)在某次處理高頻交易tick數(shù)據(jù)時(shí)我用默認(rèn)參數(shù)擬合一個(gè)AR(5)模型summary()里顯示P|z|全小于0.01看起來(lái)完美。但當(dāng)我把maxiter從默認(rèn)的50提高到500后重跑發(fā)現(xiàn)phi_4的p值從0.003變成了0.12變得不顯著了。原來(lái)默認(rèn)迭代次數(shù)下優(yōu)化過(guò)程沒(méi)走到全局最優(yōu)給出了一個(gè)過(guò)于樂(lè)觀的評(píng)估。從此maxiter成了我每次建模的必調(diào)參數(shù)。5. 常見問(wèn)題與排查技巧實(shí)錄從“根在圓上”到“軟件報(bào)錯(cuò)”的全鏈路排障5.1 問(wèn)題速查表典型癥狀、根本原因與解決方案癥狀描述可能的根本原因解決方案我的實(shí)操心得numpy.roots()返回的根全是nan或inf輸入的phi_coeffs為空列表或coeffs向量構(gòu)造錯(cuò)誤如首項(xiàng)為0檢查phi_coeffs是否為[]打印coeffs確認(rèn)其長(zhǎng)度和內(nèi)容確保coeffs[0]最高次項(xiàng)系數(shù)不為0我第一次遇到時(shí)是因?yàn)閜hi_coeffs是從一個(gè)字典里取的鍵名拼錯(cuò)了取出來(lái)是None轉(zhuǎn)成list后成了[None]導(dǎo)致coeffs[1, -None]numpy直接崩潰。加一行if not phi_coeffs: raise ValueError(phi_coeffs cannot be empty)就能避免。ADF檢驗(yàn)p值1.0無(wú)法拒絕非平穩(wěn)序列長(zhǎng)度過(guò)短20或序列是常數(shù)序列方差為0增加樣本量檢查數(shù)據(jù)是否有缺失值或全為同一值嘗試用KPSS檢驗(yàn)交叉驗(yàn)證在一個(gè)微型IoT設(shè)備項(xiàng)目中傳感器只采集了15個(gè)點(diǎn)ADF檢驗(yàn)完全失效。我轉(zhuǎn)而用目視法畫出序列看是否有明顯趨勢(shì)或波動(dòng)變化。雖然不嚴(yán)謹(jǐn)?shù)跀?shù)據(jù)極度稀缺時(shí)是唯一可行的辦法。ARIMA.fit()報(bào)錯(cuò)LinAlgError: Singular matrix數(shù)據(jù)存在完全共線性如兩個(gè)滯后變量完全相同或d設(shè)置過(guò)大導(dǎo)致差分后序列全為0檢查原始數(shù)據(jù)是否有重復(fù)行降低d值對(duì)差分后序列計(jì)算方差若為0則d過(guò)大這個(gè)錯(cuò)誤非常致命。有一次我把d2用在一個(gè)本只需d1的序列上一階差分后序列還有合理波動(dòng)二階差分后全成了0矩陣自然奇異。解決方案是diffed data.diff(d).dropna(); if diffed.var() 1e-10: print(d is too large!)。模型預(yù)測(cè)值發(fā)散越來(lái)越遠(yuǎn)離真實(shí)值模型不平穩(wěn)根在單位圓內(nèi)或上或d設(shè)置不足用check_ar_stationarity()檢查擬合后模型的根重新運(yùn)行ADF檢驗(yàn)確認(rèn)d足夠考慮使用更魯棒的模型如帶正則化的AR這是最常見的線上事故。我的應(yīng)對(duì)流程是1. 立即停止預(yù)測(cè)2. 調(diào)出模型的arparams_用check_ar_stationarity()驗(yàn)證3. 如果不平穩(wěn)回退到上一個(gè)d值重訓(xùn)4. 同時(shí)檢查數(shù)據(jù)管道確認(rèn)沒(méi)有新引入的異常值污染了訓(xùn)練集。plot_acf()圖中置信區(qū)間異常寬樣本量T太小導(dǎo)致標(biāo)準(zhǔn)誤2/√T很大增加數(shù)據(jù)量或改用adjustedTrue參數(shù)它會(huì)用Bartlett公式調(diào)整標(biāo)準(zhǔn)誤對(duì)小樣本更友好在處理初創(chuàng)公司的早期用戶行為數(shù)據(jù)時(shí)T只有30。adjustedTrue讓ACF圖變得可讀幫助我識(shí)別出了真實(shí)的滯后1階相關(guān)性。5.2 “擦邊球”模型的實(shí)戰(zhàn)應(yīng)對(duì)當(dāng)根的模1.001或0.999時(shí)怎么辦理論上的平穩(wěn)性判據(jù)是嚴(yán)格的|z| 1。但在實(shí)操中由于浮點(diǎn)數(shù)精度、樣本有限性、模型設(shè)定誤差我們經(jīng)常會(huì)遇到|z|非常接近1的情況比如1.001或0.999。這時(shí)不能簡(jiǎn)單地“是”或“否”而要進(jìn)入風(fēng)險(xiǎn)評(píng)估模式。我的處理流程是“三問(wèn)法”問(wèn)業(yè)務(wù)這個(gè)序列的預(yù)測(cè)用途是什么如果是做長(zhǎng)期戰(zhàn)略規(guī)劃對(duì)穩(wěn)定性要求極高那么|z|1.001也應(yīng)視為高風(fēng)險(xiǎn)必須重新建模如果是做短期1-3步戰(zhàn)術(shù)決策|z|1.001帶來(lái)的偏差可能在業(yè)務(wù)容忍范圍內(nèi)。問(wèn)數(shù)據(jù)這個(gè)臨界值是源于數(shù)據(jù)本身的噪聲還是模型過(guò)擬合可以做滾動(dòng)窗口檢驗(yàn)用過(guò)去N個(gè)點(diǎn)擬合模型計(jì)算根的模然后滑動(dòng)窗口看這個(gè)模是否穩(wěn)定在1.0附近波動(dòng)。如果波動(dòng)劇烈說(shuō)明模型不穩(wěn)定應(yīng)降低階數(shù)p。問(wèn)替代方案有沒(méi)有更魯棒的模型