<p>ARIMA(1,0,0)是一个单周期自回归模型。所以这个模型遵循这个公式:</p>
<p><a href="https://i.stack.imgur.com/ZA1wa.png" rel="nofollow noreferrer"><img src="https://i.stack.imgur.com/ZA1wa.png" alt="enter image description here"/></a></p>
<p>这意味着时间段t中的值等于某个常数(phi_0)加上通过拟合ARMA模型(phi_1)确定的值乘以前一个时间段r_(t-1)中的值,再加上白噪声误差项(a_t)。</p>
<p>您的模型只有1个周期的内存,因此当前预测完全由前一个周期的1值决定。它不是一个非常复杂的模型;它没有对所有先前的值做任何花哨的事情。它只是取昨天的价格,乘以某个值,再加上一个常数。你应该期望它很快达到平衡,然后永远保持在那里。</p>
<p>顶部图片中的预测看起来如此之好的原因是它只是向您显示了数百个一个周期的预测,这些预测在每个新的周期开始时都是新的。它并不像你想象的那样显示出一个长期的预测。</p>
<p>查看您发送的链接:</p>
<p><a href="http://www.johnwittenauer.net/a-simple-time-series-analysis-of-the-sp-500-index/" rel="nofollow noreferrer">http://www.johnwittenauer.net/a-simple-time-series-analysis-of-the-sp-500-index/</a></p>
<p>阅读他讨论的部分,为什么这个模型没有给你想要的东西。</p>
<p>“所以乍一看,这款车型的表现似乎相当不错。但是,尽管看起来这些预测非常接近(毕竟这些线几乎无法区分),请记住,我们使用的是无差异序列!该指数相对于总绝对值的每日波动率很小。我们真正想要的是预测第一个差异,或者说是每天的变化。我们可以使用差分级数重新运行模型,或者在ARIMA模型中添加一个“I”项(产生一个(1,1,0)模型),它应该完成相同的任务。让我们尝试使用差分级数。”</p>
<p>要做你想做的事情,你需要对这些模型做更多的研究,找出如何格式化你的数据,以及什么模型是合适的。最重要的是知道你相信哪些信息包含在你输入到模型中的数据中。你的模型目前正在尝试做的是说,“今天的价格是45美元。明天的价格是多少?”就这样。它没有任何关于动量、波动性等的信息,这是不太可能的。</p>