ARMA
模型只是具有传递函数
的过滤器。
然而，股票价格、市场趋势的预测者……
似乎主要是统计学家，他们有自己的词汇和文化。
例如，“信噪比”很少被提及；另一方面，差异必须增加噪音。任何人都可以建议
（我对用于预测的 ARMA 模型感兴趣，而不是对频谱分析本身感兴趣。ARMA 模型对于从短而嘈杂的数据进行预测很可能是错误的——明年经济会做什么？——因此需要真实的例子。 )
...我们有一个预测过滤器，但没有找到，甚至没有谈论传递函数。统计学家经常这样做，而忽略了检查公式的相应传递函数，这通常可以对整个系统有所了解。
ARMA 将信号分为两部分，并对这两部分进行建模。
金融时间序列被不同类型的相关和不相关噪声破坏，这些噪声具有明确的功能，允许建模和其他更困难的建模，因为必须使用近似值。此外，金融或经济时间序列可能表现出长记忆过程（黑噪声）或可能具有其他长期依赖性或其他非平稳问题。正是由于这个原因，除了 MA 部分之外，很难判断一个序列是随机的还是确定性的混沌，还是它们之间的混合。
ARMA 的两个项包括一个自回归项和一个移动平均项。时间序列的确定性部分使用 ARIMA、ARFIMA 等模型系列建模，库存部分使用 ARCH 和 GARCH 系列模型（通常波动性以这种方式建模，因为大部分库存部分是无法预测的白噪声但它的方差可以）。
您提到的差异化可能会消除一些信号，但是在许多情况下对于回归来说是必要的，因为要使时间序列弱感平稳，这是进行有意义且有效的回归所必需的。
对于任何未知的噪声+信号组合，都很难猜测信噪比。但是，有一些方法可以通过确定哪些噪声会影响您的信号以及每个信号对应的噪声权重来近似这一点。
我会从信号处理点到谷歌/看看“金融/非平稳时间序列信号处理”论文。从信号中提取信息有很多方法和途径。
从建模的角度来看，我建议您查看来自学术界的 ARIMA 或 GARCH 演示文稿或来自领先经济学校（LSE 等）的论文。
我还将建议查看/谷歌数据预处理以进行回归（包括不平衡数据集、平稳性、正态性、线性、可加性和序列相关性、同方差性、虚假回归、协整、金融时间序列变量转换的术语）。