原文链接：http://tecdat.cn/?p=25122
当一个序列遵循随机游走模型时，就说它是非平稳的。我们可以通过对时间序列进行一阶差分来对其进行平稳化，这将产生一个平稳序列，即零均值白噪声序列。例如，股票的股价遵循随机游走模型，收益序列（价格序列的差分）将遵循白噪声模型。
让我们更详细地了解这种现象。
由于随机游走序列的差分是白噪声序列，我们可以说随机游走序列是零均值白噪声序列的累积和（即积分）。有了这些信息，我们可以以 ARIMA 模型的形式定义 Random Walk 序列，如下所示：
ARIMA(0,1,0)
其中
- 自回归部分，p = 0
- 积分部分，d = 1
- 移动平均部分，q = 0模拟随机游走序列
我们现在可以通过为arima.sim 提供适当的参数来模拟 R 中的随机游走序列， 如下所示：
R <- arima.sim我们可以使用该plot.ts() 函数绘制新生成的序列 。
> plot.ts
正如我们可以清楚地观察到的，这是一个非平稳序列，它的均值和标准偏差随时间变化不是恒定的。
点击标题查阅往期内容
R语言结合新冠疫情COVID-19股票价格预测：ARIMA，KNN和神经网络时间序列分析
左右滑动查看更多
01
02
03
04
一阶差分序列
为了使序列平稳，我们取序列的一阶差分。
if <- diff绘制时，您会注意到差分序列类似于白噪声。
该 Rf 序列的统计数据计算如下：
> mean(Rf)
> sd(Wf)
带偏移的随机游走序列
我们模拟的上述随机游走序列在均值附近上下徘徊。但是，我们可以让随机游走系列跟随上升或下降趋势，称为偏移。为此，我们为函数提供了一个额外的参数均值/截距 。这个截距是模型的斜率。我们还可以更改模拟序列的标准差。在下面的代码中，我们提供了 1 的平均值和 5 的标准差。
> Rt <- arima.sim
> plot.ts
估计随机游走模型
为了拟合具有时间序列偏移的随机游走模型，我们将遵循以下步骤
取数据的一阶差分。
arima使用阶数为 的函数 将白噪声模型拟合到差分数据c(0,0,0)。绘制原始时间序列图。
abline通过提供通过将白噪声模型拟合为斜率得到的截距，使用该函数添加估计趋势 。
1. 一阶差分
为了使这个数列平稳，我们将取数列的差值。
> plot.ts
2. 将白噪声模型拟合到差分数据
我们现在可以使用 arima将白噪声模型拟合到差分数据。
> whodl <- arima
我们可以看到拟合的白噪声模型的截距为 0.67。
3. 绘制原始随机游走数据
这可以使用以下命令完成：
> plot.ts
4.添加估计趋势
现在在同一个图上，我们要添加估计的趋势。在本课开始时，我们解释了随机游走序列如何是零均值白噪声序列的累积和（即积分）。因此，截距实际上是我们随机游走序列的斜率。
我们可以使用函数绘制趋势线 ，其中 a 是截距，b 是线的斜率。在我们的例子中，我们将指定白噪声模型的“a=0”和“b=intercept”。
> abline估计的趋势线将添加到我们的图中。
本文摘选《R语言模拟和预测ARIMA模型、随机游走模型RW时间序列趋势可视化》，点击“阅读原文”获取全文完整资料。
点击标题查阅往期内容
经济学：动态模型平均(DMA)、动态模型选择(DMS)预测原油时间序列价格
时变马尔可夫区制转换MRS自回归模型分析经济时间序列
R语言多维数据层次聚类散点图矩阵、配对图、平行坐标图、树状图可视化城市宏观经济指标数据
【数据分享】工人收入工资及其社会经济影响因素数据
R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析
R语言计量经济学：工具变量法(两阶段最小二乘法2SLS)线性模型分析人均食品消费时间序列数据和回归诊断
R语言计量经济学：虚拟变量(哑变量)在线性回归模型中的应用
PYTHON用时变马尔可夫区制转换（MRS）自回归模型分析经济时间序列
R语言使用ARIMAX预测失业率经济时间序列数据
【视频】Python和R语言使用指数加权平均(EWMA)，ARIMA自回归移动平均模型预测时间序列
R语言时间序列GARCH模型分析股市波动率
R语言时变向量自回归（TV-VAR）模型分析时间序列和可视化
Python和R用EWMA，ARIMA模型预测时间序列
R语言用LASSO，adaptive LASSO预测通货膨胀时间序列
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
R语言arima，向量自回归（VAR），周期自回归(PAR)模型分析温度时间序列
Python用ARIMA和SARIMA模型预测销量时间序列数据
R语言线性回归和时间序列分析北京房价影响因素可视化案例
R语言使用ARIMA模型预测股票收益时间序列
R语言分布滞后线性和非线性模型（DLMs和DLNMs）分析时间序列数据
R语言广义相加模型 (GAMs)分析预测CO2时间序列数据
Python | ARIMA时间序列模型预测航空公司的乘客数量
R语言ARIMA，SARIMA预测道路交通流量时间序列分析:季节性、周期性
ARIMA模型预测CO2浓度时间序列-python实现
R语言用多元ARMA,GARCH ,EWMA, ETS,随机波动率SV模型对金融时间序列数据建模
欲获取全文文件，请点击左下角“阅读原文”。
欲获取全文文件，请点击左下角“阅读原文”。
