我已经在一些金融系列中使用 ARMA 模型进行了测试。事实证明，预测率真的很差——接近一半正确，一半错误……
我是 ARMA 模型的新手，所以我尝试的非常简单，首先按照 ACF 和 PACF 为 ARMA 模型确定 (p,q) 的教科书，然后使用一半数据进行回归和一半数据进行测试。
我经常听说天气预报使用的是时间序列模型。在我的日常经验中，我觉得这是一个很好的预测。
我想知道为什么天气预报可以做得这么好？
另外，如果我想把我的玩具ARMA模型推到一个新的水平，我应该努力的方向是什么？
跟进：
下面有很好的答案，所以我总结一下：
历史天气能够预测未来的天气比历史财务数据预测未来的财务数据要好得多。交易/投资技术变化迅速，80 年代的市场机制与当前行为截然不同。天气具有周期性和非常平滑的可预测模式，这与您可以观察到峰值、缺乏均值回归等的金融系列不同。
高质量的天气观测可以追溯到 1900 年代初的 cmp。对于通常跨越 2 年甚至更短的财务数据（同样，早期数据无论如何都没有任何意义）。所以它有更多的训练数据。
当然，天气预报不仅考虑时间序列值（财务预测也是如此）。但即使是最幼稚的方法“将 12 月的天气预测为过去 10 年 12 月的平均值”也会给出很好的近似值（这样的财务预测完全是胡说八道）。有一些物理定律在起作用，它们比金融市场的定律要严格得多——毕竟，旋风和风中的随机性比市场运动中的要少得多。
要改进您的模型，您首先需要了解您试图预测的时间序列的机制，并以此为基础建立模型，反之亦然。最有可能的是，仅考虑您无法预测的股票价格 - 尝试查看其他参数和指标，也许查看交易量和未平仓合约，尝试在那里找到一些相关性。这比看起来要困难得多，因为如果它很容易，每个人都会这样做，这将迫使价格趋于“公允价值”，从而使其再次无用。我建议不要让你的模型变得更复杂，而是花时间研究市场机制，然后才开始构建它——仅仅将数据输入一些标准预测器并期望它做出好的预测，你不会走得太远。