原文链接：http://tecdat.cn/?p=25007
在事物的倒退过程中，常体现出简单的稳定状况，即时而稳定的幅度较缓，而又时常呈现稳定会聚性(VolatilitY clustering),在危险钻研中常常遇到这种状况。恩格尔(Engle)在1982年提出了用来形容方差稳定的自回归条件异方差模型ARCH (Autoregressive conditional heteroskedasticity model )。并由博勒斯莱 文(Bollerslev, T., 1986)倒退成为狭义自回归条件异方 差GARCH (Generalized ARCH),起初又倒退成为很多的非凡模式。
在AR(1)过程的背景下，咱们花了一些工夫来解释当靠近于1时会产生什么。
- 如果 过程是安稳的，
- 如果 该过程是随机游走
- 如果 这个过程会大幅稳定
同样，随机游走是十分乏味的过程，具备令人费解的个性。例如，
作为 ，并且该过程将有限次穿过 _x_轴……
咱们认真钻研了 ARCH(1) 过程的性质，尤其是当 ，咱们失去的后果可能令人费解。
思考一些 ARCH(1) 过程 ，具备高斯噪声，即
其中
是一个 iid 序列 变量。这里 和 必须是正的。
回顾 因为 . 因而
，所以方差存在，并且只有当 , 在这种状况下
此外，如果 ，则能够失去第四矩，
. 当初，如果咱们回到钻研方差时取得的属性，如果 ， 或者 ?
如果咱们查看模仿，咱们能够生成一个 ARCH(1) 过程 ， 例如。
> ea=rnorm> eson=rnorm> sga2=rep> for(t in 2:n){> plot为了了解产生了什么，咱们应该记住，咱们好的是，必须在之间可能计算出的第二时刻。 然而，有可能有一个具备有限变异的安稳过程。
迭代
一次又一次地迭代……
其中
在这里，咱们有一个正项的总和，咱们能够应用所谓的 Cauchy rule： 定义
那么，如果 ， 收敛。这里，
也能够写成
并且依据大数定律，因为咱们这里有一个独立同散布项的总和，
因而，如果 ， 而后 会有限度，当 取无穷大。
下面的条件能够写成
这就是所谓的 Lyapunov 系数。
方程
是一个条件 .
在这种状况下 ，这个上界的数值是3.56。
> 1/exp(mean(log(rnorm(1e7)^2)))在这种状况下 （)，方差可能是有限的，但序列是安稳的。另一方面，如果 ， 而后 简直必定会走向无穷大，因为 走向无穷大。
然而为了察看这种差别，咱们须要大量的察看。例如，
和 ,
咱们很容易看出区别。我并不是说很容易看出下面的散布具备有限的方差，但依然如此。实际上，如果咱们思考希尔在上述系列中的图片，在侧面的尾巴上 的
实际上，如果咱们思考对上述系列的绘希尔图，在正的尾部
> hil或负的尾部
-epsilon咱们能够看到，尾部指数（严格来说）小于2（意味着2阶的时刻不存在）。
为什么它令人费解？兴许是因为这里不是弱安稳（在意义上），而是强安稳。这不是通常的弱和强的关系形式。这可能就是为什么咱们不称其为强平稳性，而称其为严格平稳性。
最受欢迎的见解
1.在python中应用lstm和pytorch进行工夫序列预测
2.python中利用长短期记忆模型lstm进行工夫序列预测剖析
3.应用r语言进行工夫序列（arima，指数平滑）剖析
4.r语言多元copula-garch-模型工夫序列预测
5.r语言copulas和金融工夫序列案例
6.应用r语言随机稳定模型sv解决工夫序列中的随机稳定
7.r语言工夫序列tar阈值自回归模型
8.r语言k-shape工夫序列聚类办法对股票价格工夫序列聚类
9.python3用arima模型进行工夫序列预测