最近在搞一点预测技术，用过去的数据，预测将来的数据。
比如说，在过去一周中，从周一到周日，武大郎卖的炊饼数是 20，20，20，20，20，20，20，那么下一周他每天能卖出多少？他必须预测出来，不然潘金莲的炊饼做多了，做少了，都要亏钱的。
大朗的炊饼好预测，看起来很简单。但西门大官然的店铺好多，要预测清楚，就不容易了。
我挑了不少方法，最终决定用 XGBoost，因为要考虑刮风下雨，还有大宋国假期这些因素的影响。
在此之前，我还是花了不少时间在 ARIMA 上。 毕竟，炊饼经营，是时序数据，ARIMA 对付稳定的时序数据，那是最擅长的。
研究 ARIMA，少不了要确定 p 和 q，要看 ACF 和 PACF 的截尾和拖尾。但各种各样的网文教程，包括大学教材，都是干巴巴的公式，就是不给个例子。
我甚为怀疑，好多写教材的，自己未必真搞懂了。
越看越晕。后来，看英文资料，才明白过来。老外真是太闲，也有耐心，每一个细节都写的明明白白，仿佛在教小学生。
先说 AR 模型，即自回归模型。即算一个函数，让每一个观察量（就是大郎每天卖的炊饼数）都依赖过去的量。比如上面武大郎的那个 20、20、20，就可以设计出一个函数，即，今天的炊饼量等于昨天的炊饼量。一般的公式为：
这是 1 阶，即 AR(1) 的公式。 看看， 和
之间相关性是个
。
而 AR(2) 则为：
举个例子，，用 statsmodels.tsa.arima_process 模拟一个符合 AR(1) 的时序数据。画出图来：
要注意的是，只有 是我们指定的，而
和
则是 arima_process 随机给出的，
是一个固定值，而
则是每次都随机。
可以猜到， 对
的相关性为 0.9， 而
对
的相关性是
，对
的相关性，则为
。这种相关性，会一直延续下去，传递下去。所以，自相关 ACF 图为：
看，一个漂亮的拖尾，拖的又长又整齐。
那么，这个 AR(1) 的偏自相关应该是什么？ 这是一个让初学者晕的概念。
做个比喻吧。 小明、小明爸爸、小明爷爷，列祖列宗，构成一个 AR(1)，记住，他们万万不可构成 AR(2)。所以，他们的DNA 就一代代往下传，小明和小明爸爸的自相关性是 1/2， 小明爷爷和小明爸爸的相关性是 1/2，而小明和小明爷爷的相关性是 1/4。
但小明与爷爷的偏自相关呢？太遗憾了，只能是零。 在这里脑袋里要拧个弯，把小明爸爸的影响去除掉，即小明爸爸给小明的那1/2基因去除掉，那小明和爷爷的偏自相关，就是零了。
如果不是零，那就坏了。
但小明和爸爸，爸爸和爷爷的偏自相关，其实就是他们之间的自相关，都是 1/2。
所以，上面这个 的偏自相关图 PACF 是：
看，多么经典的截尾，第一阶截断，如悬崖般。
如果是 RA(2)，那么就会在第二阶截断。但是，上面那个比喻就进入一个非常艰难、难以理解的境地。
我们必须假设，小明的DNA有 1/2 来自爸爸，还有1/4 是直接来自爷爷。打字打到这里，有点受不了。注意，1/4是直接来自，即爷爷既是爷爷，也是爸爸。
好了，就当科幻来看吧。
下面来说 MA，即移动平均模型，第一个注意，此处的“移动平均模型”，不是计算 “移动平均值” 那么简单。
想象一个时间序列，互相之间，毫无关系。举个例子，三体世界，他们的天气每天都是跌宕起伏的，压根没有地球上的四季分明。三体上，第一天是40度，很热，但还能喘气。第二天就是零下200度，全部冻死。 第三天呢？ 春暖花开23度，第四天就是3000度炼钢厂，行星成液体。
总之，每一天都是随机数。天与天之间毫无规律，没有关系。
咋办？ 怎么预测明天的温度？ 怎么决定明天是继续活着，还是赶紧阴干成皮？
没办法，只能搞个大概的移动平均，比如，把过去10 天的天气加总，然后除以 10。
这个三体天气，就是一个纯粹的 MA （10） 模型。
MA 的一般公式是：
注意观察， 和
没有直接关系了，不是 AR 了，而是通过移动平均
值才产生关系。
举个例子，，用 statsmodels.tsa.arima_process 模拟一个符合 MA(1) 的时序数据。画出图来：
一样要注意，只有 是指定的，
都是随机值。
所以，可以看到 之间的自相关系数是
，在此处是 -0.479。而R_{t} R_{t-2}的自相关系数是 0。（这一段没有理解，why
？倒是 2阶之后为 0，好理解。有聪明人指点指点。）
所以，此 MA 的 ACF 图是：
一个干净利落的截尾，止于 1 阶。
而 PACF 的图，则为：
对于为何一个标准的 MA(1) 的偏自相关居然是拖尾的，深思不解。 我的理解，它应该是个飘忽不定的震荡过程。 因为从1阶之后，从自相关角度看，已经没关系，那么偏自相关更应该没有规律的关系才对。
如果偏自相关还有关系，何以自相关居然没关系了？
在时序数据中 ARMA 或者 ARIMA 中，MA 是 AR 过程中剩余下的残差的回归。
