ARMA模型，全稱自回歸滑動平均模型(Auto-Regressive Moving Average Model)，是一種用於時間序列分析的統計模型。ARMA模型結合了自回歸(AR)模型和移動平均(MA)模型的特點，既考慮了未來的數據（自回歸部分），也考慮了過去的數據（移動平均部分），以描述時間序列數據的動態特性。
ARMA模型的基本表達式為 ( y_t = c + \sum_{i=1}^p \phi_i y_{t-i} + \sum_{i=1}^q \theta_i \epsilon_{t-i} + \epsilon_t )，其中 ( c ) 是常數，( \phi_i )（( i=1,2,...,p )）是自回歸係數，( \theta_i )（( i=1,2,...,q )）是移動平均係數，( p ) 和 ( q ) 分別是自回歸和移動平均的階數，( \epsilon_t ) 是白噪聲。
ARMA模型的參數估計通常使用最大似然估計方法，通過擬合模型到歷史數據來估計滯後係數和滯後誤差係數的值，進而進行預測和分析。這種模型適用於時間序列數據，包括金融數據、經濟數據、氣象數據等，能夠捕捉時間序列數據中的自相關性和滯後誤差，並提供準確的預測。
需要注意的是，ARMA模型的適用性有一定的限制，它假設時間序列是平穩的，即均值和方差不隨時間變化，且相關性和滯後誤差的係數是固定的。如果時間序列數據具有非平穩性或其他複雜的特徵，可能需要使用其他更高級的模型或方法來進行建模和預測。