如何基于Python拟合的ARIMA参数编写手动预测公式？

1. 拆解ARIMA模型的预测逻辑 #

ARIMA(p,d,q)的预测分为差分转换、平稳序列预测、原始序列还原三个核心步骤，完全对应Python拟合出的参数（以statsmodels的输出为例）。

第一步：明确d阶差分的转换关系 #

假设原始时序为 $y_t$，d阶差分后的平稳序列为 $z_t$：

• d=1时：$z_t = y_t - y_{t-1}$，还原公式为 $y_t = z_t + y_{t-1}$
• d=2时：$z_t = (y_t - y_{t-1}) - (y_{t-1} - y_{t-2}) = y_t - 2y_{t-1} + y_{t-2}$，需先还原一阶差分序列 $w_t = y_t - y_{t-1}$，再还原原始序列

第二步：用拟合参数写平稳序列的预测公式 #

Python拟合后会输出三类关键参数：

• 截距项（记为 $c$，对应输出的intercept）
• AR(p)系数：$\phi_1, \phi_2,...,\phi_p$（对应ar.L1、ar.L2...）
• MA(q)系数：$\theta_1, \theta_2,...,\theta_q$（对应ma.L1、ma.L2...）

平稳序列的超前k步预测公式为：

$\hat{z}{t+k} = c + \phi_1 \hat{z}{t+k-1} + \phi_2 \hat{z}{t+k-2} + ... + \phi_p \hat{z}{t+k-p} + \theta_1 \epsilon_{t+k-1} + \theta_2 \epsilon_{t+k-2} + ... + \theta_q \epsilon_{t+k-q}$

关键注意点：残差项的处理

• 已知残差：仅 $\epsilon_t, \epsilon_{t-1}, ..., \epsilon_{t-q+1}$ 是已发生的残差（$\epsilon_i = z_i - \hat{z}_i$，即差分序列实际值减拟合值），可直接代入
• 未来残差：$\epsilon_{t+1}, ..., \epsilon_{t+k-1}$ 是未发生的残差，全部取0（无法提前获取，这是ARIMA多步预测的通用规则）

第三步：还原为原始序列的预测值 #

根据d的阶数反向递推：

• d=1：$\hat{y}{t+k} = \hat{z}{t+k} + \hat{y}_{t+k-1}$（$\hat{y}_t$ 是原始序列的最后一个已知值）
• d=2：先还原一阶差分 $\hat{w}{t+k} = \hat{z}{t+k} + \hat{w}{t+k-1}$（$\hat{w}t$ 是一阶差分的最后一个已知值），再还原原始序列 $\hat{y}{t+k} = \hat{w}{t+k} + \hat{y}_{t+k-1}$

2. 实例演示（对应Python参数） #

假设你拟合的是ARIMA(2,1,1)，参数如下：

• 截距 $c=0.5$
• AR系数 $\phi_1=0.3, \phi_2=-0.1$
• MA系数 $\theta_1=0.2$
• 已知最后一个原始值 $y_t=10$，最后两个差分序列值 $z_t=0.8, z_{t-1}=0.6$，最后一个残差 $\epsilon_t=0.1$

超前1步预测（k=1） #

1. 计算平稳序列预测值：
   $\hat{z}_{t+1} = 0.5 + 0.3*0.8 + (-0.1)0.6 + 0.20.1 = 0.5 + 0.24 -0.06 +0.02 = 0.7$
2. 还原原始序列：
   $\hat{y}_{t+1} = 0.7 +10 =10.7$

超前2步预测（k=2） #

1. 计算平稳序列预测值（未来残差取0）：
   $\hat{z}_{t+2} =0.5 +0.3*0.7 + (-0.1)0.8 +0.20 =0.5+0.21-0.08=0.63$
2. 还原原始序列：
   $\hat{y}_{t+2}=0.63 +10.7=11.33$

3. 与Python forecast结果对比的验证要点 #

• 严格使用Python输出的所有参数，包括是否包含截距（若模型无截距，$c=0$）
• 残差计算必须和Python内部逻辑一致：用差分序列的实际值减去模型拟合的差分序列值
• 多步预测需按递推方式计算，每一步的预测值作为下一步的输入，和Python的forecast函数逻辑完全对齐

内容的提问来源于stack exchange，提问作者fofa