The ARIMA model is widely adopted by the financial industry as the standard statistical instrument for forecasting asset returns. Numerous studies have compared the accuracy of the ARIMA model with other competing models. However, there are no studies that cover a broad range of equities and their time series. Furthermore, there is no clear guideline on the time series window selected to fit the ARIMA model. In addition, there are no firm conclusions on whether older information in the sample should be abandoned. This makes it impossible to draw a definitive conclusion about the predictive power of the ARIMA model. This study sets out to address this gap in the literature. It summarizes more than two million ARIMA forecasts of future daily returns, using data from January 3, 1996 to May 12, 2017. The forecasts are run with different model parameter settings. We find that the five-year sliding fixed-width window fits US equity market asset prices to the highest degree, with an annual over-optimistic error of 2.6561%. However, when environments with positive and negative returns are separated, the ARIMA models generate forecasting errors of − 0.0009% and 0.011%, and both underestimate gain and loss. These errors are lower for low volatility equities. We conclude that the lack of nonlinearity of the ARIMA model is not a major concern, and that the ARIMA models do not lose their validity if the data windows are carefully selected. Our conclusions are not in conflict with the weak form market efficiency hypothesis and are robust in an environment with transaction cost.

中文翻译：

---

ARIMA模型在预测股本收益中的预测能力：滑动窗口方法

ARIMA模型已被金融业广泛用作预测资产收益的标准统计工具。许多研究已经将ARIMA模型的准确性与其他竞争模型进行了比较。但是，没有研究涵盖广泛的股票及其时间序列。此外，在选择适合ARIMA模型的时间序列窗口上没有明确的准则。此外，关于是否应放弃样本中的较早信息，尚无确切结论。这使得不可能就ARIMA模型的预测能力得出明确的结论。这项研究着手解决文献中的这一空白。它使用1996年1月3日至2017年5月12日的数据总结了超过200万次ARIMA对未来日收益的预测。预测使用不同的模型参数设置运行。我们发现，五年滑动固定宽度窗口最大程度地符合美国股票市场的资产价格，年度过分乐观误差为2.6561％。但是，当分离具有正收益和负收益的环境时，ARIMA模型会产生-0.0009％和0.011％的预测误差，并且都会低估收益和损失。对于低波动率股票，这些误差较低。我们得出的结论是，ARIMA模型的非线性不足不是主要问题，并且如果精心选择数据窗口，ARIMA模型也不会失去其有效性。我们的结论与弱势市场效率假说没有冲突，并且在具有交易成本的环境中是可靠的。我们发现，五年滑动固定宽度窗口最大程度地符合美国股票市场的资产价格，年度过分乐观误差为2.6561％。但是，当分离具有正收益和负收益的环境时，ARIMA模型会产生-0.0009％和0.011％的预测误差，并且都会低估收益和损失。对于低波动率股票，这些误差较低。我们得出的结论是，ARIMA模型的非线性不足不是主要问题，并且如果精心选择数据窗口，ARIMA模型也不会失去其有效性。我们的结论与弱势市场效率假说没有冲突，并且在具有交易成本的环境中是可靠的。我们发现，五年滑动固定宽度窗口最大程度地适合了美国股票市场的资产价格，年度过分乐观误差为2.6561％。但是，当分离具有正收益和负收益的环境时，ARIMA模型会产生-0.0009％和0.011％的预测误差，并且都会低估收益和损失。对于低波动率股票，这些误差较低。我们得出的结论是，ARIMA模型的非线性性不足不是主要问题，并且如果精心选择数据窗口，ARIMA模型也不会失去其有效性。我们的结论与弱势市场效率假说没有冲突，并且在具有交易成本的环境中是可靠的。当将具有正收益和负收益的环境分开时，ARIMA模型产生的预测误差为− 0.0009％和0.011％，并且低估了收益和损失。对于低波动率股票，这些误差较低。我们得出的结论是，ARIMA模型的非线性不足不是主要问题，并且如果精心选择数据窗口，ARIMA模型也不会失去其有效性。我们的结论与弱形式的市场效率假设不冲突，并且在具有交易成本的环境中是可靠的。当将具有正收益和负收益的环境分开时，ARIMA模型产生的预测误差为− 0.0009％和0.011％，并且低估了收益和损失。对于低波动率股票，这些误差较低。我们得出的结论是，ARIMA模型的非线性不足不是主要问题，并且如果精心选择数据窗口，ARIMA模型也不会失去其有效性。我们的结论与弱势市场效率假说没有冲突，并且在具有交易成本的环境中是可靠的。如果精心选择数据窗口，ARIMA模型也不会失去其有效性。我们的结论与弱势市场效率假说没有冲突，并且在具有交易成本的环境中是可靠的。如果精心选择数据窗口，ARIMA模型也不会失去其有效性。我们的结论与弱势市场效率假说没有冲突，并且在具有交易成本的环境中是可靠的。