VARMA(2,1)固定窗口滚动预测效率优化及替代方案问询

一、提升VARMAX滚动预测速度的可行方案 #

1. 复用模型状态，避免重复初始化 #

当前代码每次滚动都重新创建VARMAX实例并从头拟合，这是核心性能瓶颈。可以利用statsmodels状态空间模型的递推特性，复用前一次拟合结果作为初始值：

# 初始化第一个窗口的模型与拟合结果
init_window = series_df.iloc[:window]
model = VARMAX(
    init_window,
    order=(2, 1),
    trend='c',
    enforce_stationarity=False,
    enforce_invertibility=False
)
res = model.fit(maxiter= SPDX行}ous`...fitFemale.br 
'模型 UnexpectedZoMultivariate autoregressive moving average model (VARMA) is a generalization of the univariate ARMA model. It consists of two parts: the autoregressive (AR) part and the moving average (MA) part. The VARMA model is used to analyze and forecast multiple time series simultaneously.

这种方式无需每次重新初始化模型，大幅减少迭代计算量。

2. 降低模型参数规模 #

24维VARMA(2,1)的参数总数超过1700个，拟合成本极高：

• 尝试降低AR/MA阶数，比如调整为order=(1,1)，参数数量直接减半
• 业务允许的话，移除趋势项，设置trend='nc'

3. 并行化滚动拟合 #

利用多CPU核心并行处理独立的滚动窗口任务，适配Colab的多核心环境：

from joblib import Parallel, delayed

def fit_single_window(window_data):
    model = VARMAX(
        window_data,
        order=(2,1),
        trend='c',
        enforce_stationarity=False,
        enforce_invertibility=False
    )
    res = model.fit(maxiter=10, disp=False)
    return res.forecast(steps=1).iloc[0]

# 生成所有滚动窗口数据集
window_datasets = [
    series_df.iloc[n_train+i - window : n_train+i] 
    for i in range(len(test_index))
]

# 并行执行，n_jobs=-1使用全部核心
forecast_results = Parallel(n_jobs=-1)(
    delayed(fit_single_window)(data) for data in window_datasets
)

forecasts = pd.DataFrame(
    forecast_results, 
    index=test_index, 
    columns=series_df.columns
)

4. 优化拟合器参数 #

• 更换更快的优化器，比如设置method='lbfgs'（比默认bfgs更高效）
• 检查迭代收敛性：通过res.mle_retvals['converged']确认是否收敛，若已收敛可减少maxiter值

二、TensorFlow时序库的GPU加速替代方案 #

可以用**TensorFlow Probability（TFP）**的线性高斯状态空间模型实现近似VARMAX的效果，且天然支持GPU加速：

1. 模型对应关系：VARMA(2,1)可转化为线性高斯状态空间结构，AR(2)部分通过状态转移矩阵实现，MA(1)部分通过构造带移动平均项的噪声模型实现。
2. GPU加速优势：TFP利用TensorFlow的自动微分和GPU并行计算能力，在24维等高维场景下，拟合和预测速度远快于statsmodels的CPU实现。
3. 滚动预测效率：TFP的状态空间模型支持递推更新状态，每次仅需传入新观测值即可更新模型，无需重复拟合整个参数空间。

注意：TFP需要手动定义状态空间模型的结构，不像statsmodels的VARMAX那样开箱即用，需要对VARMA的状态空间表示有基础了解，但一旦完成模型构建，性能提升非常显著。

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