4.2.1 统计建模：ARIMA、状态空间模型（卡尔曼滤波）、长记忆过程（Hurst指数）

文档摘要

4.2.1 统计建模：ARIMA、状态空间模型（卡尔曼滤波）、长记忆过程（Hurst指数）在时间序列智能分析的浩瀚星图中，统计建模不是起点，却始终是锚点——它不追逐模型参数的万维幻影，而执着于数据生成机制的可解释骨架；它不迷信端到端黑箱的拟合精度，却坚守“误差可分解、状态可追溯、记忆可度量”的工程信条。当深度学习模型在GPU集群上奔涌如潮，真正让预测系统在金融风控、电力调度、工业设备退化监测等关键场景中稳如磐石的，往往是ARIMA的差分阶数选择、卡尔曼滤波器中$ \mathbf{Q} $与$ \mathbf{R} $的物理尺度对齐、以及Hurst指数对长程依赖的毫米级判别。本节不谈“为什么需要统计模型”，只回答三个硬核问题：如何亲手把ARIMA从ACF/PACF图里拧出来？