第四章 时间序列分析基础（下）：ARIMA模型建模全流程
好，咱们接着聊。上一章我们把时间序列的平稳性、白噪声这些基础概念捋了一遍。这一章，我带你走一遍ARIMA模型的完整建模流程。说白了，就是给你一套标准动作，照着做，基本不会跑偏。
核心逻辑：ARIMA建模不是玄学，是一套可复现的工程流程。我个人的习惯是：先看数据长什么样，再决定用什么模型，最后反复验证模型靠不靠谱。
4.1 数据预处理——别让脏数据毁了你的模型
拿到股票价格序列，第一件事不是跑模型，而是先看看数据干不干净。我在做统计套利策略时，遇到过好几次因为数据没处理好，导致回测结果漂亮得离谱，实盘却一塌糊涂的惨案。
具体来说，你需要检查这几项：
- 缺失值处理：停牌日、节假日会导致数据缺失。我一般用前向填充（ffill），或者直接删除。千万别用均值填充，那会引入未来信息。
- 异常值识别：比如某天价格突然跳空，可能是数据错误。用3倍标准差法或者IQR法都能筛出来。
- 对数变换：价格序列通常有异方差性——价格越高，波动越大。取对数能稳定方差，这是标准做法。
我的经验：对数收益率比原始价格更适合建模。原因很简单——对数收益率近似正态分布，而且具有可加性。我几乎从不对原始价格直接跑ARIMA，除非是平稳的价差序列。
4.2 平稳性检验——不平稳就别往下走了
ARIMA模型要求数据平稳。什么叫平稳？均值、方差、自协方差都不随时间变化。说白了，就是数据没有明显的趋势和季节性。
检验方法主要有两种：
| 检验方法 | 原假设 | 什么时候用 |
|---|---|---|
| ADF检验 | 序列存在单位根（不平稳） | 最常用，p值小于0.05则拒绝原假设 |
| KPSS检验 | 序列平稳 | 与ADF互补，两者结合判断更可靠 |
我个人习惯两个检验都做。如果ADF说平稳，KPSS也说平稳，那基本稳了。如果结果矛盾，我会更相信ADF的结果——它在实践中表现更稳定。
4.3 差分处理——让非平稳变平稳
如果数据不平稳，怎么办？差分。一阶差分就是今天的值减去昨天的值。对于股票价格，一阶差分通常就能得到平稳序列——也就是收益率序列。
怎么确定差分阶数d？
- 画图看：差分后的序列是否围绕0均值波动
- ADF检验：差分后p值小于0.05
- 经验法则：金融数据d最多取1或2，取多了会丢失信息
注意：过度差分是个坑。我曾经为了追求完美平稳性，对某只股票做了三阶差分，结果模型预测出来的全是噪声。记住，差分是为了消除趋势，不是为了消灭所有波动。
4.4 模型定阶——AIC/BIC准则帮你做选择
定阶就是确定p（自回归阶数）和q（移动平均阶数）。有两种方法：
方法一：看图法
- ACF图（自相关函数）：如果拖尾，考虑AR模型；如果截尾，考虑MA模型
- PACF图（偏自相关函数）：如果截尾，考虑AR模型；如果拖尾，考虑MA模型
方法二：信息准则法
AIC（赤池信息准则）和BIC（贝叶斯信息准则）是更客观的方法。公式我就不写了，你只需要知道：
- AIC：倾向于选择更复杂的模型（参数更多）
- BIC：对复杂模型惩罚更重，倾向于选择更简洁的模型
- 两者都是越小越好
实际中怎么做？我通常用网格搜索，遍历p和q从0到5的所有组合，选AIC或BIC最小的那个。Python的pmdarima库有auto_arima函数，一键搞定。
# 自动定阶示例
from pmdarima import auto_arima
model = auto_arima(price_log_diff,
start_p=0, max_p=5,
start_q=0, max_q=5,
seasonal=False,
trace=True,
error_action='ignore',
suppress_warnings=True,
stepwise=True)
print(model.summary())4.5 模型诊断——残差必须是白噪声
模型建好了，别急着用。先做诊断。诊断的核心就一句话：残差必须是白噪声。
什么意思？残差里不能有任何可预测的模式。如果残差还有自相关性，说明模型没把信息提取干净，需要重新定阶。
诊断工具：
- 残差图：看是否围绕0随机波动，有没有明显的模式
- Q-Q图：检查残差是否正态分布（虽然不是必须的，但正态性有助于区间估计）
- Ljung-Box检验：统计检验残差的自相关性。p值大于0.05，说明残差是白噪声
避坑指南：我曾经在诊断阶段偷懒，看到残差图还行就直接用了。结果实盘时模型频繁失效。后来仔细一查，残差在特定时间段（比如财报发布前后）有明显的自相关性。所以，Ljung-Box检验一定要做，而且要分时段做。
4.6 实战：用Python对股票价格序列建模
好了，理论说完了，咱们动手。下面是一个完整的建模流程，我用的是某只股票的日收盘价。
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import adfuller
from statsmodels.graphics.tsaplots import plot_acf, plot_pacf
from statsmodels.tsa.arima.model import ARIMA
from statsmodels.stats.diagnostic import acorr_ljungbox
# 1. 加载数据
df = pd.read_csv('stock_price.csv', index_col='date', parse_dates=True)
price = df['close']
# 2. 对数变换 + 一阶差分
log_price = np.log(price)
log_return = log_price.diff().dropna()
# 3. 平稳性检验
adf_result = adfuller(log_return)
print(f'ADF p-value: {adf_result[1]:.4f}') # 应该小于0.05
# 4. 画ACF和PACF图
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(10, 6))
plot_acf(log_return, lags=20, ax=ax1)
plot_pacf(log_return, lags=20, ax=ax2)
plt.show()
# 5. 拟合ARIMA模型（假设看图定阶为p=2, d=1, q=2）
model = ARIMA(log_price, order=(2, 1, 2))
result = model.fit()
print(result.summary())
# 6. 模型诊断
residuals = result.resid
lb_test = acorr_ljungbox(residuals, lags=[10, 20, 30], return_df=True)
print(lb_test) # p值应大于0.05
# 7. 预测
forecast = result.forecast(steps=5)
print(forecast)这段代码基本覆盖了从数据预处理到预测的全流程。你跑一遍，看看结果。如果Ljung-Box检验的p值小于0.05，说明模型没通过诊断，回去重新定阶。
一个小技巧：如果你发现模型总是通不过诊断，试试把p和q的范围扩大。有时候金融数据的记忆性比我们想象的要长。我遇到过需要p=7才能把残差中的自相关性消除干净的案例。
4.7 模型应用：从预测到交易信号
模型建好了，怎么用？在统计套利中，ARIMA模型通常用来预测价差的短期走势。比如：
- 预测下一期的价差
- 如果预测值偏离当前值超过某个阈值，生成交易信号
- 结合协整关系，做配对交易
但记住一点：ARIMA模型擅长短期预测，别指望它能预测一个月后的价格。我一般只用它预测未来1-3个交易日。
好了，这一章的内容就到这儿。ARIMA建模的流程你记住了吗？预处理→平稳性检验→差分→定阶→拟合→诊断→应用。每一步都有坑，但每一步也都有解法。多练几次，你就能找到感觉。
最后说一句：模型诊断这一步，千万别跳过。我见过太多人建完模型就直接拿去交易，结果亏得一塌糊涂。记住，残差必须是白噪声——这是底线。
公众号:蓝海资料掘金营，微信deep3321