ARFIMA模型是一種用於描述時間序列長期依賴性的統計模型，全稱為分整移動自回歸模型（Fractionally Integrated Autoregressive Moving Average Model）。該模型能夠捕捉時間序列中的長記憶性特徵，即序列中相距較遠的觀察值之間存在某種穩定的依存關係，其自相關函式衰減緩慢。這種長記憶性在金融時間序列中尤為常見，體現在分形結構、肥尾分布等方面。
ARFIMA模型通過分數差分噪聲（fractional differentencing）來處理時間序列，其中的分數差分參數d決定了長記憶性的強度。模型的一般形式為ARFIMA(p, d, q)，其中p和q分別是自回歸和移動平均的階數，d是分整參數。
在實際套用中，可以通過各種統計檢驗方法來驗證時間序列的長記憶性，例如ADF、PP和KPSS檢驗等。一旦確認序列具有長記憶性，就可以使用ARFIMA模型進行建模，通過信息準則如AIC或BIC來確定模型的最佳參數。
例如，有研究表明，對於上證指數和深證成指的日收益序列，都存在長記憶性，並且通過ARFIMA建模發現，對於上證指數，ARFIMA(6, d, 2)是最合適的模型，而對於深證成指，則是ARFIMA(5, d, 2)。這些研究結果表明，中國股市中確實存在長記憶性，但同時也指出了中國股市缺乏有效性。
需要注意的是，ARFIMA模型與ARIMA模型（自回歸積分滑動平均模型）不同。ARIMA模型專注於傳統的時間序列分析，而ARFIMA模型則專門用於處理具有長記憶性的時間序列。