⑴ R语言中的时间序列分析模型：ARIMA-ARCH / GARCH模型分析股票价格
在金融时间序列分析中，时域方法如ARIMA和ARCH / GARCH模型对于股票价格预测至关重要。这些模型帮助我们理解数据特征并预测未来值，尤其在非平稳序列处理和波动性分析上。
首先，确保时间序列的平稳性是建模的前提。通过差分或对数转换将非平稳序列转换为平稳序列，如苹果股票价格示例所示，对数价格的差分更利于稳定方差。
ARIMA模型（自回归整合移动平均模型）通过观察自相关和偏自相关来识别，如在Apple股票的ACF和PACF图中所示。识别规则包括观察ACF和PACF的截断点，例如ARIMA(1,0,0)可能是Log Apple股票的模型。
在选择模型时，使用AICc来权衡模型复杂度与拟合度，如ARIMA(2,1,2)可能是合适的。检查残差的ACF和PACF以确认模型的有效性，例如Apple股票的ARIMA模型的残差显示为无明显滞后。
当ARIMA模型的残差显示波动性时，引入ARCH / GARCH模型。通过观察残差平方和ACF/PACF，判断是否需要建模序列的条件方差。例如，对于Apple，选择的ARCH 8模型反映了价格的波动性。
混合模型如ARIMA(2,1,2) - ARCH(8)结合了ARIMA的线性预测和ARCH的波动性分析，能更准确地预测价格变化，如Apple股票在2012年7月的预测。
时域分析在金融时间序列预测中不可或缺，ARIMA和ARCH / GARCH模型组合提供了更精确的预测。理解序列的平稳性，选择合适的模型，以及利用新信息更新模型，都是有效应用这些模型的关键。
⑵ 什么时候用回归分析，什么时候用时间序列
两者的核心区别在于对数据的假设回归分析假设每个数据点都是独立的，而时间序列则是利用数据之间的相关性进行预测。
本文会先说明两者对数据的具体假设差异，再说明AR模型为什么虽然看上去像回归分析但还是有差别，最后也提到一个常见的混淆两者后在金融方向可能出现的问题。
回归分析对数据的假设：独立性在回归分析中，我们假设数据是相互独立的。这种独立性体现在两个方面：一方面，自变量(X)是固定的，已被观测到的值，另一方面，每个因变量(y)的误差项是独立同分布，对于线性回归模型来说，误差项是独立同分布的正态分布，并且满足均值为0，方差恒定。
这种数据的独立性的具体表现就是：在回归分析中，数据顺序可以任意交换。在建模的时候，你可以随机选取数据循序进行模型训练，也可以随机选取一部分数据进行训练集和验证集的拆分。也正因为如此，在验证集中，每个预测值的误差都是相对恒定的：不会存在误差的积累，导致预测准确度越来越低。
时间序列对数据的假设：相关性但对于时间序列分析而言，我们必须假设而且利用数据的相关性。核心的原因是我们没有其他任何的外部数据，只能利用现有的数据走向来预测未来。因此，我们需要假设每个数据点之间有相关性，并且通过建模找到对应的相关性，利用它去预测未来的数据走向。这也是为什么经典的时间序列分析(ARIMA)会用ACF（自相关系数）和PACF（偏自相关系数）来观察数据之间的相关性。
ACF和PACF分别用两种方式衡量数据点与数据点之间的相关性时间序列对相关性的假设直接违背了回归分析的独立性假设。在多段时间序列预测中，一方面，对于未来预测的自变量可能无法真实的观察到，另一方面，随着预测越来越远，误差会逐渐积累：你对于长远未来的预测应该会比近期预测更不确定。因此，时间序列分析需要采用一种完全不同的视角，用不同的模型去进行分析研究。
AR模型和线性回归模型的“相似”和区别时间序列分析中一个基础模型就是AR(Auto-Regressive)模型。它利用过去的数据点来预测未来。举例而言，AR(1)模型利用当前时刻的数据点预测未来的值，它们的数学关系可以被表示为：
它的表达形式的确和线性回归模型非常类似，甚至连一般的AR(n)模型都和线性回归有很高的相似性。唯一的差别就是等式右边的自变量(X)变成了过去的因变量(y)
而正是因为这一点微小的差异，导致两者的解完全不同。在AR模型中，由于模型自变量成为了过去的因变量，使得自变量与过去的误差之间有相关性。而这种相关性使得
利用线性模型得到的AR模型的解会是有偏估计(biased)。对于上述结论的实际证明需要引入过多的概念。在此我们只对AR(1)模型作为一个特例来分析。不失一般性，我们可以通过平移数据将AR(1)模型表示成如下的形式：
对于这类模型，线性回归会给出以下的估计值：对于一般的线性回归模型而言，由于所有的自变量都会被视为已经观测到的真实值。所以当我们取均值的时候，我们可以把分母当作已知，通过过去观测值和未来误差无关的性质得到无偏的结论。
利用回归模型预测AR模型的数据模拟结果：参数估计会是有偏估计事实上，我们会用线性回归模型去近似求解AR模型。因为虽然结果会是有偏的，但是却是一致估计。也就是说，当数据量足够大的时候，求解的值会收敛于真实值。这里就不再做展开了。
忽视独立性的后果：金融方向的常见错误希望看到这里你已经弄懂了为什么不能混淆模型的假设：尤其是独立性或相关性的假设。接下来我会说一个我见过的
因为混淆假设导致的金融方向的错误随着机器学习的发展，很多人希望能够将机器学习和金融市场结合起来。利用数据建模来对股票价格进行预测。他们会用传统的机器学习方法将得到的数据随机的分配成训练集和测试集。利用训练集训练模型去预测股票涨跌的概率（涨或跌的二维分类问题）。然后当他们去将模型应用到测试集时，他们发现模型的表现非常优秀——能够达到80～90%的准确度。但是在实际应用中却没有这么好的表现。
造成这个错误的原因就是他们没有认识到数据是高度相关的。对于时间序列，我们不能通过随机分配去安排训练集和测试集，否则就会出现“利用未来数据”来预测“过去走向”的问题。这个时候，即使你的模型在你的测试集表现出色，也不代表他真的能预测未来股价的走向。
总结时间序列和回归分析的主要区别在于对数据的假设：回归分析假设每个数据点都是独立的，而时间序列则是利用数据之间的相关性进行预测。虽然线性回归和AR模型看上去有很大的相似性。但由于缺失了独立性，利用线性回归求解的AR模型参数会是有偏的。但又由于这个解是一致的，所以在实际运用中还是利用线性回归来近似AR模型。忽视或假设数据的独立性很可能会造成模型的失效。金融市场的预测的建模尤其需要注意这一点。
⑶ SPSS-数据分析之时间序列分析
当数据与时间息息相关，常具有周期性的变化规律，此时，时间序列分析是一个很好的发现分析及预测其发展变化的统计方法，接下来简要分享统计分析软件SPSS中时间序列分析的操作。
问：什么是时间序列？
答：时间序列是时间间隔不变的情况下收集的不同时间点数据集合。
问：那时间序列分析又是什么？
答：时间序列分析是通过研究历史数据的发展变化规律来预测事物的未来发展的统计学方法。公司营业额、销售额，人口数量，股票等方面的变化预测皆可通过此统计方法。
SPSS中的操作
首先，对数据进行 预处理：
1.查看数据是否有缺失，若有，不便后续处理，则需进行替换缺失值。
转换→替换缺失值→选择新变量→输入新变量名称、选择替换缺失值方法。
2.定义日期
数据→定义日期和时间
3.平稳性检验（平稳性指的是期望不变，方差恒定，协方差不随时间改变）
检验方法：时序图检验、自相关图检验等。可通过创建时间序列实现数据的平稳化
转换→创建时间序列
结果（例：运行中位数——跨度为1，则等于原数据）
数据预处理后对数据进行分析研究——序列图、谱分析、自相关等。
1.序列图：分析→时间序列预测→序列图→根据需要选择变量、时间轴标签等。
结果（例）：可观察数据的大致波动情况。
2.谱分析：分析→时间序列预测→谱分析→根据需要选择变量、图表。
结果（例）
对于周期变化的数据，主要用于侦测系统隐含的周期或者节律行为；
对于非周期的数据，主要用于揭示系统演化过程的自相关特征。
3.自相关：分析→时间序列预测→自相关→选择变量及其他。
结果：
解读：直条高低代表自相关系数的大小，横轴1-16代表自相关的阶数，上下线之间是不具有统计学意义的，偏自相关是去除自相关系数的关联性传递性之后，用偏自相关系数考察剩余的相关性是否还存在。
关于SPSS时间序列分析的简要介绍就结束啦！
END
文 | FM