说明：这是一个机器学习实战项目
1.项目背景
向量自回归移动平均模型（Vector Autoregressive Moving Average, VARMA）是一种在多个时间序列分析中广泛应用的复杂统计模型。它结合了两个基本的时间序列模型概念：向量自回归（VAR）和向量移动平均（VMA）。
向量自回归（VAR）： 在VAR模型中，系统的每一个内生变量都是所有当前和过去时期内生变量值的线性函数。这意味着一个多元时间序列系统中的每个变量不仅取决于自身的滞后值，还取决于同一时期其他变量的滞后值。
向量移动平均（VMA）： VMA模型则表示系统中的每个变量是过去扰动项（即误差项或残差）的线性组合，这里的“移动平均”反映了误差项在过去的影响。。
本项目通过VARMA算法来构建向量自回归移动平均模型。
2.数据获取
本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：
编号 | 变量名称 | 描述 |
1 | y1 | |
2 | y2 |
数据详情如下(部分展示)：
3.数据预处理
3.1 用Pandas工具查看数据
使用Pandas工具的head()方法查看前五行数据：
关键代码：
3.2 数据缺失查看
使用Pandas工具的info()方法查看数据信息：
从上图可以看到，总共有2个变量，数据中无缺失值，共100条数据。
关键代码：
3.3 数据描述性统计
通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。
关键代码如下：
4.探索性数据分析
4.1 变量直方图
用Matplotlib工具的hist()方法绘制直方图：
从上图可以看到，变量主要集中在0.0~1.0之间。
4.2 相关性分析
从上图中可以看到，数值越大相关性越强，正值是正相关、负值是负相关。
5.构建向量自回归移动平均模型
主要使用VARMA算法，用于向量自回归移动平均模型。
5.1 构建模型
编号 | 模型名称 | 参数 |
1 | 向量自回归移动平均模型 | order=(1, 1) |
5.2 模型摘要信息
6.模型评估
6.1 模型预测
预测结果及展示：
7.结论与展望
综上所述，本文采用了VARMA算法来构建向量自回归移动平均模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。
# 本次机器学习项目实战所需的资料，项目资源如下：
# 项目说明：
# 获取方式一：
# 项目实战合集导航：
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
# 获取方式二：
链接：https://pan.baidu.com/s/1SDmMd1YiufC5hDAU88xhhA
提取码：e1dr
