这里我们直接给出MA(q)模型的形式：
c0为一个常数项。这里的at,是AR模型t时刻的扰动或者说新息（也就是白噪声误差项），则可以发现，该模型，使用了过去q个时期的随机干扰或预测误差来线性表达当前的预测值。
MA模型的性质
平稳性
MA模型总是弱平稳的，因为他们是白噪声序列（残差序列）的有限线性组合。因此，根据弱平稳的性质可以得出两个结论：
自相关函数
对q阶的MA模型，其自相关函数ACF总是q步截尾的。 因此MA(q)序列只与其前q个延迟值线性相关，从而它是一个“有限记忆”的模型。
可逆性
当满足可逆条件的时候，MA(q)模型可以改写为AR(p)模型。这里不进行推导，给出1阶和2阶MA的可逆性条件。
1阶：
扫描二维码关注公众号，回复：
2360836 查看本文章
2阶：
建模和预测
由于sm.tsa（Python中的函数）中没有单独的MA模块，我们利用ARMA模块，只要将其中AR的阶p设为0即可。
函数sm.tsa.ARMA中的输入参数中的order(p,q)，代表了AR和MA的阶次。 模型阶次增高，计算量急剧增长。
拟合效果
与AR模型相同。