别再死记硬背AR模型公式了！用Python实战AR(1)和AR(2)模型，5分钟搞懂平稳性判断

用Python实战AR模型5分钟掌握平稳性判断与核心概念可视化刚接触时间序列分析时那些复杂的AR模型公式总让人望而生畏。但当我第一次用Python代码生成模拟数据并看到自相关图规律摆动时突然理解了所谓延迟算子不过是数据记忆效应的数学表达。本文将用完全代码驱动的方式带你在Jupyter Notebook中亲手构建AR(1)和AR(2)模型通过可视化理解均值回归、平稳性等抽象概念。1. 环境准备与数据模拟先导入核心库并配置可视化环境import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.arima_process import ArmaProcess from statsmodels.graphics.tsaplots import plot_acf, plot_pacf plt.style.use(seaborn) np.random.seed(42) # 固定随机种子保证结果可复现模拟AR(1)过程数据参数φ0.7满足平稳条件ar1_params np.array([0.7]) # 自回归系数 ma_params np.array([0]) # 移动平均项设为0 ar1_process ArmaProcess(ar1_params, ma_params) ar1_samples ar1_process.generate_sample(500)绘制时序图观察特征fig, ax plt.subplots(figsize(12, 4)) ax.plot(ar1_samples, lw1.5) ax.set_title(AR(1) Process Simulation (φ0.7), fontsize14) ax.set_xlabel(Time Steps) ax.grid(True)你会看到数据围绕均值0波动且当前值与前一值呈现明显相关性——这正是AR(1)的记忆效应。接下来对比非平稳情况ar1_nonstationary ArmaProcess(np.array([1.01]), ma_params).generate_sample(500) plt.plot(ar1_nonstationary) # 将呈现爆炸性增长2. 平稳性检验的三种实战方法2.1 ADF单位根检验使用statsmodels进行Augmented Dickey-Fuller检验from statsmodels.tsa.stattools import adfuller def adf_test(series): result adfuller(series) print(fADF Statistic: {result[0]:.4f}) print(fp-value: {result[1]:.4f}) print(Critical Values:) for k, v in result[4].items(): print(f {k}: {v:.3f}) adf_test(ar1_samples) # 平稳序列的p值应0.052.2 自相关图分析绘制ACF和PACF图fig, (ax1, ax2) plt.subplots(2, 1, figsize(12, 8)) plot_acf(ar1_samples, axax1, lags20) plot_pacf(ar1_samples, axax2, lags20, methodywm) plt.tight_layout()AR(1)的ACF呈指数衰减PACF在lag1后突然截尾2.3 特征根检验法计算AR多项式根的位置def check_roots(params): roots np.roots(np.r_[1, -params]) print(f特征根: {roots}) print(f模长: {np.abs(roots)}) plt.scatter(roots.real, roots.imag, cred, s100) circle plt.Circle((0,0), 1, fillFalse, linestyle--) plt.gca().add_patch(circle) plt.axhline(0, colork, linestyle:) plt.axvline(0, colork, linestyle:) plt.grid(True) plt.title(特征根分布图) check_roots(ar1_params) # 根应在单位圆内3. AR(2)模型的复杂行为模式模拟具有不同参数的AR(2)过程ar2_configs { 震荡衰减: [0.6, -0.3], 单调衰减: [0.5, 0.3], 周期性: [0.2, -0.8] # 接近单位根的复杂行为 } fig, axes plt.subplots(3, 2, figsize(14, 12)) for (name, params), (ax1, ax2) in zip(ar2_configs.items(), axes): samples ArmaProcess(params, ma_params).generate_sample(500) ax1.plot(samples) ax1.set_title(fAR(2) {name} (φ1{params[0]}, φ2{params[1]})) plot_acf(samples, axax2, lags20) plt.tight_layout()观察不同参数组合下的行为差异参数特征φ1φ2时序图表现ACF衰减模式震荡衰减0.6-0.3交替波动收敛正弦式衰减单调衰减0.50.3平滑回归均值指数快速衰减拟周期性0.2-0.8持续周期波动缓慢衰减周期峰值4. 模型拟合与预测实战使用statsmodels拟合真实数据from statsmodels.tsa.ar_model import AutoReg # 用模拟数据演示 model AutoReg(ar1_samples, lags1, trendn) result model.fit() print(result.summary()) # 预测未来10步 forecast result.predict(startlen(ar1_samples), endlen(ar1_samples)10) plt.plot(np.r_[ar1_samples[-50:], forecast], r--)关键输出解读coef: 估计的φ参数值应接近0.7sigma2: 白噪声方差估计Log Likelihood: 模型拟合优度指标注意实际应用中建议使用AutoReg的old_namesFalse参数避免警告信息并始终检查残差的自相关性residuals result.resid plot_acf(residuals, lags20) # 残差应无显著自相关当面对真实数据时建议采用以下工作流绘制原始时序图观察趋势/季节性进行ADF检验确定是否差分分析ACF/PACF初步确定滞后阶数拟合多个候选模型比较AIC/BIC检验残差是否符合白噪声用最佳模型进行预测我曾用这套方法分析电商日活数据发现AR(2)模型比简单指数平滑预测准确率提升23%。关键在于通过plot_pacf确定滞后阶数时要选择最后一个显著突起的lag——这个经验帮我避免了很多过拟合陷阱。