ARFIMA(p,d,q) 最大似然估计量： - 惠特尔估计- 精确的最大似然估计器 - 以及其他一些可能有用的功能，包括预测。我还没有实现预测误差带计算（从截图中可以判断）。 要求： - 统计工具箱-优化工具箱-Kevin Sheppard 的 MFE 工具箱 http://www.kevinsheppard.com/wiki/MFE_Toolbox 可选要求： -Simone Fatichi 的 ARFIMA(p,d,q) 模拟器（MATLAB Central FileExchange #25611） 后者是测试算法性能所必需的（在 arfima_test 中实现）。 注意：这一次，有一个 C/MEX 文件来加速这个过程，没有 .m 等效文件。它用几个编译器（LCC 和 MS VC++ 2008）编译，证明对我来说是稳定的。 计划进一步更新： -其他估计算法-文档-

模拟 ARFIMA(p,d,q) 过程，d 覆盖固定和非固定区域。 此代码使用快速分数差分算法来显着减少计算时间。

ARFIMA模型在金融时间序列的应用，刘强，余冬玲，本文系统地讨论了如何对分整自回归移动平均(Autoregressive fractionally integrated moving average, ARFIMA)模型进行参数估计以及相应的建模。具体�

arma模型matlab代码py-ARFIMA 此Python代码是在我在LARIS（）实习期间开发的。 该代码已改编自Simone Fatichi（）的Matlab代码ARFIMA Simulations。 正如Boris Podobnik和H. Eugene Stanley：“去趋势互相关分析：一种用于分析两个非平稳时间序列的新方法”（2008）（）所述，仅对该代码进行了测试，以生成信号。 即，对于固定为N的信号，固定为0 <d <0.5，正常的随机噪声：er = np.random.normal（0,1，N）并且没有其他输入。 此python代码实现了一个函数来生成ARFIMA（自回归分数整数移动平均值）模型。 这些模型概括了ARIMA（自回归综合移动平均线）和ARMA（自回归移动平均线）模型。 ARFIMA模型允许使用差分参数的非整数值，并且在建模具有较长内存的时间序列时很有用。 该模型通常表示为ARFIMA（p，d，q）模型，其中d是微分参数，p和q分别是模型的自回归和移动平均部分的顺序。 此包使用numpy包（）

该代码使用自回归分数积分移动平均 (ARFIMA) 模型执行时间序列模拟，该模型概括了 ARIMA（自回归积分移动平均）和 ARMA 自回归移动平均模型。 ARFIMA 模型允许差分参数的非整数值，并且在建模具有长内存的时间序列时很有用。 该代码通常模拟 ARFIMA(p,d,q) 模型，其中 d 是差分参数，p 和 q 分别是模型的自回归和移动平均部分的阶数。

最新关于ARFIMA的R参考文件，用于实现ARFIMA的建模程序

arfima模型，金融序列长时间相关性代码

R语言实现ARFIMA，源码和dll文件