MA滑动平均模型

与$AR$模型不同，$MA$模型并非是历史时序值的线性组合，而是历史白噪声的线性组合，移动平均过程总是平稳的，因为它是白噪声的线性组合。

$$\{\begin{array}{rl}& x_t=\mu +{\epsilon }_t-\sum _{i=1}^q{\theta }_i{\epsilon }_{t-i}\\ & {\theta }_q\ne 0\\ & E({\epsilon }_t)=0,Var({\epsilon }_t)={\sigma }^2,E({\epsilon }_t{\epsilon }_s)=0,s\ne t\end{array}$$
限制条件

• ${\theta }_q\ne 0$，确保模型的最高阶数为$q$；
• $E({\epsilon }_t)=0,Var({\epsilon }_t)={\sigma }^2,E({\epsilon }_t{\epsilon }_s)=0,s\ne t$，保证随机序列为白噪声序列。

通常默认限制条件，模型简记为：
$$x_t=\mu +{\epsilon }_t-\sum _{i=1}^q{\theta }_i{\epsilon }_{t-i}$$

统计性质

• 常数均值

$$\begin{array}{rl}E(x_t)& =E(\mu +{\epsilon }_t-\sum _{i=1}^q{\theta }_i{\epsilon }_{t-i})\\ & =E(\mu )+E({\epsilon }_t)-\sum _{i=1}^q{\theta }_{i}E({\epsilon }_{t-i})\\ & =\mu \end{array}$$

• 常数方差

$$\begin{array}{rl}Var(x_t)& =Var(\mu +{\epsilon }_t-\sum _{i=1}^q{\theta }_i{\epsilon }_{t-i})\\ & =Var(\mu )+Var({\epsilon }_t)+\sum _{i=1}^q{\theta }_i^{2}Var({\epsilon }_{t-i})\\ & =1+\sum _{i=1}^q{\theta }_i{\sigma }^2\end{array}$$

• 自协方差函数只与滞后阶数相关，且$q$阶截尾

  $${\gamma }_k=E(x_t{x}_{t-k})=\{\begin{array}{rlr}& 1+\sum _{i=1}^q{\theta }_i^2{\sigma }_{\epsilon }^2,& k=0\\ & (-{\theta }_k+\sum _{i=1}^{q-k}{\theta }_i{\theta }_{k+i}){\sigma }_{\epsilon }^2,& 1\le k\le q\\ & 0,& k>q\end{array}$$

• 自相关系数$q$阶截尾
  $${\rho }_k=\frac{{\gamma }_k}{{\gamma }_0}=\{\begin{array}{rlr}& 1,& k=0\\ & \frac{(-{\theta }_k+{\sum }_{i=1}^{q-k}{\theta }_i{\theta }_{k+i})}{1+{\sum }_{i=1}^q{\theta }_i^2},& 1\le k\le q\\ & 0,& k>q\end{array}$$

定阶

$q$阶$MA$模型的自相关系数是$q$阶截尾的，这意味着可以通过计算样本自相关系数来确定$MA$模型的阶数。

预测

设预测原点为$h$，$F_h$为在$h$时刻所能获得的信息集，${\hat{x}}_h(l)$表示在$h$时刻向前$l$步预测，${\epsilon }_h(l)$表示预测误差。
$$\begin{array}{rl}{x}_{h+l}& =\mu +{\epsilon }_{h+l}-\sum _{i=1}^q{\theta }_i{\epsilon }_{h+l-i}\\ {\hat{x}}_h(l)& =\mu -\sum _{i=1}^q{\theta }_{i}E{\epsilon }_{h+l-i}\end{array}$$

$$E{\epsilon }_{h+l-i}=\{\begin{array}{rlr}& 0,& l-i>0\\ & {\epsilon }_{h+l-i},& l-i\le 0\end{array}$$

解释：$h+t(t>0)$时刻的随机干扰误差是未知的，根据其假定白噪声条件有$E({\epsilon }_{h+t})=0$，而当前时刻$h$及其之前时刻的随机误差是已知的，因此$E({\epsilon }_{h+t}t<=0)={\epsilon }_h$。

性质：对于一个$MA(q)$模型，向前$q$步以后的预测就达到了模型的均值。

王燕.应用时间序列分析[M].中国人民大学出版社.201907