求MA(p)（p=1,2,3…）特征性描述的在线PDF或研究资料

标准定义 #

MA(p)（移动平均模型）的标准表达式为：
Y_t = μ + ε_t + θ₁ε_{t-1} + θ₂ε_{t-2} + ... + θ_pε_{t-p}
其中：

• Y_t 是t时刻的序列值
• μ 是序列均值（对应你提到的Theta(0)）
• ε_t 是独立同分布的白噪声序列，满足E(ε_t)=0，Var(ε_t)=σ²
• θ₁, θ₂, ..., θ_p 是移动平均系数

MA(1)的递推展开（自回归形式） #

若MA(1)满足可逆条件（|θ₁|<1），可转换为自回归形式，递推展开规律如下：

• Y₁ = μ + ε₁
• Y₂ = θ₁Y₁ + μ(1-θ₁) + ε₂
• Y₃ = θ₁Y₂ - θ₁²Y₁ + μ(1-θ₁+θ₁²) + ε₃
• 高阶项通用形式：Y_t = μ(1 - θ₁ + θ₁² - ... + (-θ₁)^{t-1}) + θ₁Y_{t-1} - θ₁²Y_{t-2} + ... + (-θ₁)^{t-1}Y₁ + ε_t

MA(p)的核心特征 #

• 可逆性：MA(p)可逆的充要条件是特征方程1 + θ₁z + θ₂z² + ... + θ_pz^p = 0的所有根模大于1，此时模型可表示为无限阶自回归模型（AR(∞)）
• 自相关函数（ACF）：滞后阶数大于p时ACF截尾（ρ_k=0，k>p）；滞后k≤p时，ρ_k = (θ_k + θ₁θ_{k+1} + ... + θ_{p-k}θ_p)/(1 + θ₁² + ... + θ_p²)（定义θ₀=1）
• 偏自相关函数（PACF）：呈拖尾衰减趋势

高阶展开简化技巧 #

无需手动推导每一项，可借助以下方法降低复杂度：

1. 滞后算子法：定义滞后算子L满足LY_t = Y_{t-1}，MA(p)可写为Y_t - μ = (1 + θ₁L + θ₂L² + ... + θ_pL^p)ε_t，可逆条件下两边乘以算子的逆，即可将Y_t表示为无限阶AR形式
2. 递推截断法：基于ε_{t-i} = Y_{t-i} - μ - Σ_{j=1}^p θ_jε_{t-i-j}代入原方程，得到Y_t关于滞后Y项的递推式，结合可逆性的指数衰减特性，可按精度需求截断高阶项

内容的提问来源于stack exchange，提问作者matehorvath