数据：我有 OMXS.30（斯托克霍尔姆）收盘价的 2528 次每日观察的时间序列数据。目的是拟合适当的 ARCH/GARCH 模型并用于预测每日风险价值。这是我的数据图，每日日志返回。
通过查看日志返回，我可以假设平均值是固定的吗？（我见过其他人这样做，但我不确定这是一个有效的假设。）
我的问题是，如果我的数据是非平稳的，我该怎么办？它应该是吗？如果我理解正确，那么如果 ACF 像下面的（系列数据）图中那样减少，那么时间序列就是非平稳的。此外，日志返回的 ACF 中显着滞后的数量很多。这是什么意思，我该如何从这一点继续？
正如您可能已经理解的那样，我对这个项目的所有主题都很陌生，而且我以前从未处理过时间序列。任何帮助将不胜感激！
看看我的评论在 ARIMA 中，差异（d>0）比去趋势“更多”做什么？建议替代方法（最好由数据建议）来明显的非平稳症状。经典差分更适合股市数据。
通常情况下，像对数这样的幂变换试图处理非常量的误差方差什么时候（以及为什么）应该对（数字）分布进行对数？. 在许多情况下，一个可行的替代方案是 Tsay 建议的加权最小二乘法来处理股票价格数据。请参阅https://pdfs.semanticscholar.org/09c4/ba8dd3cc88289caf18d71e8985bdd11ad21c.pdf的第 13 页以遵循这一想法。
我们实际上不需要统计数据本身来查看平稳性，而对此的第一个测试是常识。没有平稳性，因为存在对数据有重大影响的外部因素。例如，2008 年 9 月 29 日的市场崩盘（下图中的灰色部分），以及这段时间的道琼斯工业平均指数。
来自 https://www.macrotrends.net/1319/dow-jones-100-year-historical-chart'>道琼斯 - 100 年历史图表
当然，这两个市场（道琼斯和 OMSX）是高度相关的。因此，与试图从自相关中预测任何一个相比，哪个优于哪个可能更令人感兴趣。另外，请注意道琼斯有一个期货市场，因此其期货市场对 OMSX 指数期货的预测可能比从其自身数据中预测的更好。
作为第一步，我会在检查自相关或其他趋势之前消除外部影响的趋势，例如，看看 OMSX/道琼斯指数。例如，一种潜在的赚钱方式可能是利用市场之间任何可靠的 ARIMA 时间延迟。最后，分析这类数据与分析的目的有很大关系。