版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
金融時(shí)間序列模型
第一章:基本統(tǒng)計(jì)概念與數(shù)據(jù)的整理全套可編輯PPT課件ch1-基本統(tǒng)計(jì)與數(shù)據(jù)整理.pptxch2-平穩(wěn)時(shí)間序列數(shù)據(jù)回歸模型.pptch3-平穩(wěn)線性ARMA模型.pptch4-波動(dòng)率模型.pptxch5-向量自回歸模型.pptch6-非平穩(wěn)時(shí)間序列和單位根檢驗(yàn).pptch7-協(xié)整和誤差修正模型.pptch8-非線性時(shí)間序列模型.pptx正態(tài)分布與對(duì)數(shù)正態(tài)分布隨機(jī)變量X服從正態(tài)分布,通常表示為:X~N(
,
2)其中
是隨機(jī)變量X的期望,
2是X的方差。如果某隨機(jī)變量X求自然對(duì)數(shù)后服從正態(tài)分布,稱該隨機(jī)變量服從對(duì)數(shù)正態(tài)分布,通常表示為:X~LNN(
,
2)其中
是隨機(jī)變量ln(X)的期望,
2是ln(X)的方差。描述統(tǒng)計(jì)對(duì)于隨機(jī)變量需要掌握該隨機(jī)變量的分布,通過隨機(jī)變量的樣本計(jì)算一些數(shù)字特征可以反映隨機(jī)變量分布的特點(diǎn),常用的描述統(tǒng)計(jì)又下列指標(biāo):樣本均值:數(shù)據(jù)的典型取值樣本中位數(shù):位于中間的數(shù)值樣本方差(樣本標(biāo)準(zhǔn)差):數(shù)據(jù)離散程度變差系數(shù):比較均值不同的兩組數(shù)據(jù)的離散程度樣本偏差:分布是否對(duì)稱樣本峰度:與正態(tài)分布相比,陡峭的程度協(xié)方差和相關(guān)系數(shù)
協(xié)方差和相關(guān)系數(shù)協(xié)方差的計(jì)算與X和Y的前后順序沒有關(guān)系。所以cov(X,Y)
=
cov(Y,X)。協(xié)方差與數(shù)據(jù)的單位有關(guān);相關(guān)系數(shù)除以兩個(gè)隨機(jī)變量各自的標(biāo)準(zhǔn)差,相當(dāng)于數(shù)據(jù)標(biāo)準(zhǔn)后再計(jì)算協(xié)方差,與數(shù)據(jù)的單位無關(guān),是介于-1到
+
1之間的數(shù)值。協(xié)方差和相關(guān)系數(shù)衡量了兩個(gè)隨機(jī)變量之間線性相關(guān)的程度。相關(guān)系數(shù)小于0,說明負(fù)相關(guān);大于0,說明正相關(guān);等于0,說明不相關(guān)。數(shù)據(jù)整理對(duì)數(shù)據(jù)建立模型之前根據(jù)需要可以對(duì)數(shù)據(jù)進(jìn)行一些整理,對(duì)于有季節(jié)性的數(shù)據(jù)通常先進(jìn)行季節(jié)調(diào)整,對(duì)季節(jié)調(diào)整后的數(shù)據(jù)再建立模型;對(duì)股票趨勢(shì)進(jìn)行研究的時(shí)候,可以使用平滑的方法去掉偶然的擾動(dòng)得到趨勢(shì)部分;在研究經(jīng)濟(jì)周期時(shí),通常使用HP濾波提取數(shù)據(jù)長(zhǎng)期趨勢(shì);季節(jié)調(diào)整假設(shè)時(shí)間序列數(shù)據(jù)由趨勢(shì)項(xiàng)、季節(jié)項(xiàng)和隨機(jī)擾動(dòng)項(xiàng)三大部分構(gòu)成。用公式表示如下:
Y
=
f(T,S,e)并且假設(shè)滿足如下的乘法模型:
Y
=
T
×
S
×
e季節(jié)調(diào)整步驟如下:第一步:估計(jì)趨勢(shì)項(xiàng)T,確定趨勢(shì)項(xiàng)后,Y/T得到季節(jié)項(xiàng)和誤差項(xiàng)的乘積Se
=
Y/T;第二步:通過平均去掉隨機(jī)項(xiàng),得到季節(jié)項(xiàng)S的估計(jì),把與不同季節(jié)對(duì)應(yīng)的數(shù)字稱為季節(jié)因子,對(duì)季節(jié)因子進(jìn)行規(guī)范化;第三步:從原始數(shù)據(jù)中去掉季節(jié)項(xiàng),得到季節(jié)調(diào)整后的數(shù)據(jù)Y/S。平滑
平滑
HP濾波
金融時(shí)間序列模型
第2章:平穩(wěn)時(shí)間序列數(shù)據(jù)回歸模型經(jīng)典線性回歸模型
一個(gè)好的估計(jì)量需要滿足的性質(zhì):性質(zhì)1:無偏性:如果估計(jì)量的均值等于真值,該估計(jì)量是無偏的。性質(zhì)2:一致性:觀測(cè)值個(gè)數(shù)有限時(shí),無偏性不一定滿足,如果隨著觀測(cè)值的個(gè)數(shù)趨于無窮,估計(jì)量收斂到真實(shí)值,那么該估計(jì)量滿足一致性。性質(zhì)3:有效性:如果有兩個(gè)估計(jì)量都是無偏的,那么方差小的那個(gè)估計(jì)量更精確地估計(jì)了真實(shí)值,所以這個(gè)估計(jì)量更有效,在所有無偏估計(jì)量中方差最小的那個(gè)估計(jì)量稱為有效估計(jì)量。
性質(zhì)4:估計(jì)量服從正態(tài)分布。經(jīng)典線性回歸模型滿足的假設(shè)
滿足假設(shè)A1
-
A4,OLS估計(jì)量滿足無偏性。滿足假設(shè)A1
-
A5,OLS估計(jì)量是BLUE的。滿足假設(shè)A1
-
A6,OLS估計(jì)量服從正態(tài)分布。經(jīng)典線性回歸模型的假設(shè)A2獨(dú)立隨機(jī)抽樣,對(duì)時(shí)間序列數(shù)據(jù)通常是不滿足的,因?yàn)闀r(shí)間序列的特點(diǎn)是存在序列相關(guān),是不獨(dú)立的。因此使用時(shí)間序列數(shù)據(jù)建立回歸模型需要另外的假設(shè)條件。時(shí)間序列數(shù)據(jù)的靜態(tài)回歸模型
分布滯后模型
分布滯后模型動(dòng)態(tài)因果效應(yīng)也被稱為動(dòng)態(tài)乘數(shù)。
j,j
=
0,1,…,k被稱為乘數(shù),或沖擊效應(yīng)。
0被稱為短期乘數(shù)或即期乘數(shù),表示當(dāng)期的沖擊效應(yīng)。
0
+
1
+
…
+
h被稱為h期累積乘數(shù),h是1到k
-
1之間的數(shù)值,表示h期中解釋變量x的變化對(duì)因變量y的累積效應(yīng)。累積效應(yīng)的經(jīng)濟(jì)含義是假設(shè)t期解釋變量改變一個(gè)單位,并且解釋變量的變化是永久的,即今后每期解釋變量都改變一個(gè)單位到t
+
h時(shí)刻y的改變量。
=
0
+
1
+
…
+
k被稱為長(zhǎng)期乘數(shù),表示x對(duì)因變量在所有時(shí)期沖擊效應(yīng)的總和。
i/
,i
=
0,1,2,…,k被稱為標(biāo)準(zhǔn)化的乘數(shù)。表示解釋變量改變一個(gè)單位后,在t
+
i期時(shí),沖擊效應(yīng)占總效應(yīng)的百分比。自回歸分布滯后模型
誤差項(xiàng)存在自相關(guān)的分布滯后模型可以看成包括因變量滯后項(xiàng)的自回歸分布滯后模型的特例,自回歸分布滯后模型的系數(shù)滿足一定的約束條件可以等價(jià)于殘差存在自相關(guān)的分布滯后模型。如果誤差項(xiàng)存在自相關(guān)的話可以通過增加自變量和因變量的滯后項(xiàng)來消除誤差項(xiàng)的自相關(guān)。一般的靜態(tài)模型和分布滯后模型的擾動(dòng)項(xiàng)可能存在自相關(guān),但是增加y的滯后變量當(dāng)做解釋變量,即ADL模型,我們通常認(rèn)為這個(gè)模型的擾動(dòng)項(xiàng)不再存在自相關(guān)。長(zhǎng)期靜態(tài)均衡解
建模策略從一般到特殊倫敦經(jīng)濟(jì)學(xué)院(LSE)學(xué)派認(rèn)為經(jīng)濟(jì)系統(tǒng)存在一個(gè)真正的數(shù)據(jù)生成過程,建立模型就是發(fā)現(xiàn)數(shù)據(jù)生成過程。因此LSE學(xué)派建議使用時(shí)間序列數(shù)據(jù)建立模型時(shí),要從一般的ADL模型開始,然后逐步簡(jiǎn)化得到最終的模型。該方法也被稱為從一般到特殊,具體建模方法是:(1)首先建立一個(gè)較大的模型,根據(jù)經(jīng)濟(jì)理論或者人們對(duì)經(jīng)濟(jì)行為的理解,盡量包括進(jìn)所有對(duì)因變量有影響的變量,每個(gè)解釋變量都包括若干滯后變量,同時(shí)包括因變量的滯后變量作為解釋變量。(2)LSE學(xué)派建議一個(gè)好的模型應(yīng)該滿足下面六個(gè)條件:a.邏輯上可行b.與經(jīng)濟(jì)理論一致c.解釋變量與誤差項(xiàng)不相關(guān)d.參數(shù)估計(jì)量在整個(gè)樣本區(qū)間上穩(wěn)定e.誤差項(xiàng)是白噪聲過程f.可以解釋已有的相關(guān)競(jìng)爭(zhēng)模型能夠解釋的內(nèi)容,并且可以解釋更多內(nèi)容在建模過程中,強(qiáng)調(diào)對(duì)模型的誤差項(xiàng)進(jìn)行大量假設(shè)檢驗(yàn),以保證誤差項(xiàng)是白噪聲過程,這些檢驗(yàn)包括異方差、條件異方差、自相關(guān)、函數(shù)形式設(shè)定是否正確、參數(shù)是否存在結(jié)構(gòu)性變化等。因此,這個(gè)建模方法也被稱作“檢驗(yàn)檢驗(yàn)再檢驗(yàn)”。(3)如果誤差項(xiàng)不滿足第(2)步的某一項(xiàng)或幾項(xiàng),首先說明模型有問題需要修改。例如需要增加滯后長(zhǎng)度,需要增加新的解釋變量,改變函數(shù)形式等,而不是修改估計(jì)方法。由于模型包括很多滯后項(xiàng),因此容易存在多重共線性,導(dǎo)致許多變量的系數(shù)在統(tǒng)計(jì)上不顯著,因此可以去掉在統(tǒng)計(jì)上不顯著的變量。每次去掉某個(gè)變量后,都要保證模型的誤差項(xiàng)仍然滿足(2)的條件,直到最后所有的解釋變量在統(tǒng)計(jì)上都顯著。從特殊到一般除了從一般到特殊的建立模型的方法,更早、更傳統(tǒng)的建立模型的方法是從特殊到一般,因?yàn)榇蠖鄶?shù)經(jīng)濟(jì)研究都采用該方法。這種方法從一個(gè)特定模型開始,逐漸把越來越多的變量增加進(jìn)來。模型由簡(jiǎn)單到復(fù)雜,最后模型滿足要求的統(tǒng)計(jì)性質(zhì),并且有良好的經(jīng)濟(jì)解釋。具體建模方法如下:(1)確定回歸中感興趣的解釋變量,該變量被稱為關(guān)鍵變量。該變量是我們唯一關(guān)注的內(nèi)容,只要該變量的系數(shù)正確估計(jì)出來可以進(jìn)行假設(shè)檢驗(yàn)則模型設(shè)定正確。(2)根據(jù)經(jīng)濟(jì)理論,考慮還有哪些變量對(duì)因變量有影響,這些變量被稱為控制變量。這樣就得到了一個(gè)初始模型,被稱為基準(zhǔn)模型。我們認(rèn)為這個(gè)模型是正確的。增加控制變量的原因是擔(dān)心遺漏變量,造成關(guān)鍵變量與擾動(dòng)項(xiàng)存在相關(guān)性導(dǎo)致內(nèi)生性問題。這些控制變量的系數(shù)不是模型關(guān)注的內(nèi)容。(3)估計(jì)基準(zhǔn)模型,對(duì)參數(shù)和殘差進(jìn)行假設(shè)檢驗(yàn)。如果存在異方差或者自相關(guān),則修改估計(jì)方法,或者使用異方差自相關(guān)一致的標(biāo)準(zhǔn)誤來估計(jì)方差;如果系數(shù)符號(hào)與理論或常識(shí)相反,往往意味著存在遺漏變量,須擴(kuò)展基準(zhǔn)設(shè)定。檢驗(yàn)新增變量系數(shù)是否等于0,如果額外變量的系數(shù)在統(tǒng)計(jì)上是顯著的,或者如果感興趣的系數(shù)發(fā)生了明顯的變化,那么應(yīng)該把新變量增加進(jìn)來。(4)用表格的形式把增加、去掉變量的過程都列出來。提供一種“完全的披露”,使讀者可以自己進(jìn)行判斷。金融時(shí)間序列模型
第3章平穩(wěn)線性ARMA模型ARMA模型-1隨機(jī)過程基本概念基本概念幾個(gè)重要的概念(Somefundamentalconcepts)隨機(jī)過程stochasticprocesses均值函數(shù)Meanfunction自協(xié)方差和自相關(guān)函數(shù)autocovarianceandautocorrelationfunction白噪聲過程Whitenoiseprocess平穩(wěn)過程Stationaryprocesses遍歷性或漸進(jìn)獨(dú)立(ergodic))基本概念
fundamentalconcepts隨機(jī)過程stochasticprocess
設(shè)T是某個(gè)集合,俗稱足標(biāo)集(或者下標(biāo)),對(duì)任意固定t
T,Yt是隨機(jī)變量,t
T的全體{Yt
;t
T}稱為T上的隨機(jī)過程,記為{Yt}通常T取為:1)
T=[-
,
];T=[0,
]2)T=…-2,-1,0,1,2,…
;T=1,2,3,…離散時(shí),隨機(jī)過程又稱隨機(jī)序列、時(shí)間序列。對(duì)每個(gè)固定的t,Yt是隨機(jī)變量。時(shí)間序列數(shù)據(jù)與隨機(jī)過程的關(guān)系——樣本(實(shí)現(xiàn))從時(shí)間序列數(shù)據(jù)中獲取結(jié)論。必須建立表示數(shù)據(jù)的數(shù)學(xué)模型。把觀測(cè)值視為某個(gè)隨機(jī)過程的一個(gè)實(shí)現(xiàn)或樣本。一個(gè)時(shí)間序列數(shù)據(jù)的例子date
exchangerate1976Q4295.511977Q1281.531977Q2272.441977Q3266.881977Q4240.531978Q1230.631978Q2211.151978Q3190.3Y1Y2Y3Y4Y5Y6Y7Y8基本概念隨機(jī)過程的樣本(Sample)或?qū)崿F(xiàn)(Realization)stochasticprocess:Y1,Y2,Y3,…Ynsample1:y11,y12,y13,…y1nsample2:y21,y22,y23,…y2n
…samplem:ym1,ym2,ym3,…ymn
樣本記為(denotedby){yt}經(jīng)濟(jì)中隨機(jī)過程只有一個(gè)樣本,因?yàn)闀r(shí)間是不能重復(fù)的。
基本概念均值函數(shù)meanfunction{
t}自協(xié)方差函數(shù)autocovariancefunction:{
st}
自相關(guān)函數(shù)autocorrelationfunction:{
st}
基本概念平穩(wěn)隨機(jī)過程
(weaklystationary,covariancestationary,secondorderstationary)如果隨機(jī)序列二階矩有界,并且滿足以下條件Ifaseriessatisfiesthenexttwoconditions(1)對(duì)任意整數(shù)t,E(Yt)=
,
為常數(shù);Themeanfunctionisconstantovertime(2)對(duì)任意整數(shù)t和s,自協(xié)方差函數(shù)
ts僅與t-s有關(guān),同個(gè)別時(shí)刻t和s無關(guān)。即
ts=
t-s=
kAutocovariancefunctiondon’tdependontimebutonlyontimelag.
ts=
t-s=
k
嚴(yán)平穩(wěn)隨機(jī)過程
遍歷性隨著時(shí)間的推移總可以得到以前沒有的新的信息,或者說{yt,yt+1,…,yt+k}與{yl+t,yl+t+1,…,yl+t+k}是漸近獨(dú)立的。即當(dāng)l趨于無窮時(shí),兩組隨機(jī)變量相互獨(dú)立。這時(shí)時(shí)間序列的一個(gè)樣本就足以代表整個(gè)時(shí)間序列。滿足遍歷性才可以通過隨機(jī)過程的一個(gè)樣本對(duì)總體進(jìn)行估計(jì)。假設(shè)需要估計(jì)平穩(wěn)隨機(jī)過程的均值,理論上應(yīng)該得到Y(jié)t的N個(gè)樣本,在截面上求平均,得到均值的估計(jì)量。由于時(shí)間的不可逆性,只能得到Y(jié)t一個(gè)樣本,無法估計(jì)。隨機(jī)過程滿足遍歷性時(shí),可以證明只使用一個(gè)樣本沿時(shí)間平均隨著T的增加趨于總體的均值。遍歷性很難證明,一般假設(shè)平穩(wěn)隨機(jī)過程滿足遍歷性。白噪聲過程
whitenoiseprocess
隨機(jī)過程滿足Adefinitionofawhitenoiseprocessis1)E(
t)=0,forallt2)E(
t2)=
2forallt3)E(
t
s)=0,foranyt
s弱白噪聲隨機(jī)過程(Weaklywhitenoiseprocess),簡(jiǎn)稱白噪聲。記為{
t}~WN(0,
2)白噪聲過程4)不同時(shí)刻隨機(jī)變量是相互獨(dú)立的隨機(jī)變量,并且同分布,稱為獨(dú)立同分布白噪聲,記為{
t}~I.I.D.(0,
2)[independentlyandidenticallydistributed(iid)randomvariables]
如果再增加一個(gè)條件5)服從正態(tài)分布,該過程為高斯白噪聲(ifdistributionisnormal,thisprocessisknownasGaussianwhitenoiseprocess)。線性ARMA模型-2ARMA模型的概念A(yù)RMA模型的性質(zhì)滑動(dòng)平均模型MA(q):t=c+
t+
1
t-1+…+
q
t–qq階滑動(dòng)平均模型,記為MA(q)(MovingAverage)例如MA(1):t=c+
t+
1
t-1MA(2):t=c+
t+
1
t-1+
2
t–2滑動(dòng)平均模型
自回歸模型
t=c+
1
t-1+
2
t-2+…+
p
t-p+
tP階自回歸模型(AutoRegression),簡(jiǎn)記為AR(p)
例如:AR(1):t=c+
1
t-1+
tAR(2):t=c+
1
t-1+
2
t-2+
tAR(4):t=c+
4
t-4+
tARMA模型
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t+
1
t-1+…+
q
t–q該模型即包括自回歸部分又包括滑動(dòng)平均部分,稱為自回歸滑動(dòng)平均混合模型,記為ARMA(p,q)模型線性ARMA模型ARMA(p,q)
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t+
1
t-1+…+
q
t–q當(dāng)p=0時(shí),ARMA模型退化成MA模型當(dāng)q=0時(shí),ARMA模型退化成AR模型
t=c+
1
t-1+
2
t-2+…+
p
t-p+
tARMA模型的性質(zhì)均值函數(shù)自協(xié)方差函數(shù)自相關(guān)函數(shù)偏自相關(guān)函數(shù)MA(1)參數(shù)特點(diǎn)
t=
+
t+
t-1均值函數(shù):E(
t)=
自協(xié)方差函數(shù):
0=(1+
2)
2
1=
2
k=0,k>1
k=
k/
0自相關(guān)函數(shù):
1=
/(1+
2),
k=0,k>1MA(q)的參數(shù)特點(diǎn)E(
t)=
0=(1+
12+…+
q2)
2
k=0,k>q
,
k=0,k>qMA過程例下面是一個(gè)MA(2)模型,計(jì)算它的自相關(guān)函數(shù),并畫圖
t=
t+0.2
t-1+0.1
t-2
1=(
1+
2
1)/(1+
12+
22)=(0.2+0.2*0.1)/(1+0.12+0.22)=0.2
2=(
2)/(1+
12+
22)=0.1/(1+0.12+0.22)=0.095MA(2)過程ACF圖(AutoCorrelationFunction)基本結(jié)論MA(q)過程的自相關(guān)函數(shù)q步截尾AR(1)過程的參數(shù)
t=c+
t-1+
tE(
t)=E(c+
t-1+
t)=c+
+0=c/(1-
)
t=c+
t-1+
t
t=(1-
)+
t-1+
t
t-
=
(
t-1-
)+
t
j=E(
t-
)(
t-j-
)=E[((
t-1-
)+
t)(
t-j-
)]
j=j-1
j/0=1
j-1/0
j=j-1
0=E(
t-
)(
t-
)=E[((
t-1-
)+
t)(
t-
)]=1+E[(t
(
t-
)]E[(t
(
t-
)]=2(請(qǐng)自己證明)
1=0帶入上式,整理得:AR(1)過程的參數(shù)AR過程的自相關(guān)函數(shù)是拖尾的。幾何收斂到0AR(1)參數(shù)
t=0.1+0.5
t-1+
t
t=0.1-0.5
t-1+
t
=0.1/(1-0.5)=0.2=0.1/(1+0.5)
j=0.5j
j=(-0.5)j
AR(p)自回歸過程的參數(shù)特點(diǎn)
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t均值函數(shù)(mean)E(
t)=
=c/(1-
1-
2+…-
p)自協(xié)方差函數(shù)(autocovariance)
0=
1
1+
2
2+…+
p
p+
2
j=
1
j-1+
2
j-2+…+
p
j-pj=1,2,3,…自相關(guān)函數(shù)(autocorrelation)
j=
1
j-1+
2
j-2+…+
p
j-pj=1,2,3,…Yule-walker方程
j=
1
j-1+
2
j-2+…+
p
j-pj=1,2,3,…,p例如AR(2)的前兩個(gè)方程:
1=
1
0+
2
1
2=
1
1+
2
0是Yule-walker方程。ARMA(p,q)過程參數(shù)
=c/(1-
1-
2+…-
p)
j=
1
j-1+
2
j-2+…+
p
j-pj>q
j=
1
j-1+
2
j-2+…+
p
j-pj>qARMA和AR模型的自相關(guān)函數(shù)是幾何衰減到0,是拖尾的。偏自相關(guān)函數(shù)
(partialautocorrelationfunction)
三種隨機(jī)過程偏自相關(guān)函數(shù)的特點(diǎn)
白噪聲MA(1)Yt
=
t
+0.5
t-1MA(1)的ACF和PACFAR(1)Yt=0.6Yt-1+
tAR(1)的ACF和PACFARMAYt=-0.7Yt-1+
t-
0.7
t-1ARMA過程的ACF和PACFARMA模型的性質(zhì)平穩(wěn)條件可逆條件模型間相互變換線性ARMA(p,q)模型
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t+
1
t-1+…+
q
t–q(1)
p0,
q0(2)滿足平穩(wěn)條件(stationary)(3)滿足可逆條件(invertible)(4)沒有公共因子(nocommonfactor)(5)滯后算子滯后算子(Lagoperators),用L表示,代表滯后運(yùn)算:LYt=Yt-1
滯后算子(1)L(LYt)=L(Yt-1)=Yt-2,記為L(zhǎng)2Yt=Yt-2,一般的LkYt=Yt-k(2)與乘法可交換L(aYt)=a(LYt)(3)加法可分配L(Yt+Xt)=LYt+LXt(4)對(duì)常數(shù)列的運(yùn)算等于他自身Lc=c(5)1Yt=Yt(6)
滯后算子的逆運(yùn)算|<1時(shí)(1-
L)-1=1+L+2L2+…+kLk
…,|||>1時(shí),(1-
L)-1=--1L-1(1+-1L-1+-2L-2+…+-kL-k
…)一個(gè)例子Yt=0.5Yt-1-0.04Yt-2+
t-0.6
t-1+0.05
t-2Yt=0.5LYt-0.04L2Yt+
t-0.6L
t+0.05L2
tYt-0.5LYt+0.04L2Yt=
t-0.6L
t+0.05L2
t(1-0.5L+0.04L2)Yt=(1-0.6L+0.05L2)
tARMA模型:用滯后算子表示
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t+
1
t-1+…+
q
t–q用滯后算子表示為:在這種表達(dá)式下,討論公因子,平穩(wěn)條件和可逆條件ARMA模型:沒有公因子例如下面的模型Yt=0.5Yt-1-0.04Yt-2+
t-0.6
t-1+0.05
t-2(1-0.1L)(1-0.4L)Yt=(1-0.1L)(1-0.5L)
t有公共因子,去掉公共因子,得到簡(jiǎn)化后的模型(1-0.4L)Yt=(1-0.5L)
t
Yt-0.4Yt-1=
t-0.5
t-1Yt=0.4Yt-1+
t-0.5
t-1平穩(wěn)條件例題下面的AR(2)模型是否滿足平穩(wěn)條件?
t=0.6
t-1-0.08
t-2+
t(1-0.6L+0.08L2)
t=
t特征方程:1-0.6z+0.08z2=0解方程,(1-0.2z)(1-0.4z)=0得到根為5和2,都在單位圓外,所以滿足平穩(wěn)條件。
或者,特征方程修改如下:令
z=1/
,代入剛才的特征方程:1-0.6(1/
)+0.08(1/
2)=0
兩邊乘以2
2-0.6
+0.08=0根為0.4和0.2,都在單位圓內(nèi),滿足平穩(wěn)條件。ARMA模型
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t+
1
t-1+…+
q
t–q用滯后算子表示為:ARMA模型:平穩(wěn)條件特征方程如下:
(z)=1-
1z-
2z2-…
pzp=0特征方程的根在單位圓外,滿足平穩(wěn)條件?;蛘撸卣鞣匠瘫硎緸椋?/p>
p-
1
p-1-
2
p-2+…-
p=0如果特征方程的根在單位圓內(nèi),則模型平穩(wěn)。使得模型滿足平穩(wěn)條件的參數(shù)所在的范圍為平穩(wěn)域.注:平穩(wěn)性只與自回歸系數(shù)
1,…,
p有關(guān),與滑動(dòng)平均系數(shù)無關(guān)。為什么要滿足平穩(wěn)條件?MA(q)有限階數(shù)的MA模型一定滿足平穩(wěn)條件,因?yàn)槭怯邢迋€(gè)白噪聲的線性組合,根據(jù)平穩(wěn)定義很容易證明滿足平穩(wěn)條件。
t=
t+
1
t-1+…+
q
t–q為什么要滿足平穩(wěn)條件?AR(p)模型與AR(p)過程的區(qū)別:模型是表達(dá)式本身,例如隨機(jī)差分方程:
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t該方程或者表達(dá)式就是模型。把一個(gè)隨機(jī)過程帶入上面的方程,使得左右兩邊相等的隨機(jī)過程稱為該隨機(jī)差分方程的解,所以隨機(jī)過程是模型的解,一個(gè)模型可能有無窮個(gè)解。為什么要滿足平穩(wěn)條件?
t=
t-1+
t觀察如下的隨機(jī)過程:a
t+
t+
t-1+2
t-2+…表示為t期前確定量和白噪聲的線性組合。帶入AR(1),可以使得方程左右相等,是方程的解。對(duì)任意a,結(jié)論都成立,a取不同的值對(duì)應(yīng)不同的隨機(jī)過程,因此AR(1)模型對(duì)應(yīng)著無窮多個(gè)解。我們希望一個(gè)模型對(duì)應(yīng)一個(gè)隨機(jī)過程。|
|<1時(shí)存在一個(gè)平穩(wěn)隨機(jī)過程是隨機(jī)差分方程的解,即a=0的時(shí)候,而且可以證明滿足該模型平穩(wěn)隨機(jī)過程是唯一的??赡鏃l件
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t+
1
t-1+…+
q
t–q用滯后算子表示為:
(L)Yt=(L)t可逆指的把模型表示成AR模型的形式,因此AR模型一定可逆。ARMA模型可逆條件模型可逆條件
(z)=1+
1z+
2z2+…+
qzq=0方程的根在單位圓外,滿足可逆條件。同樣另外的判斷方程
q+
1
q-1
+
2
q-2+…+
q=0該方程的根在單位圓內(nèi),滿足可逆條件??赡嫘灾慌c滑動(dòng)平均部分的系數(shù)有關(guān),與自回歸部分的系數(shù)無關(guān)。為什么要滿足可逆條件?
t=
t-0.5
t-1
t=
t-2
t-1以上兩個(gè)模型有完全相同的自相關(guān)函數(shù)。
0=1
1=
/(1+
2)=(1/)/(1+(1/)2)
k=0,k>1滿足可逆條件時(shí),可以利用歷史觀測(cè)計(jì)算得到擾動(dòng)項(xiàng)的值
t=(1-0.5L)t(1-0.5L)-1
t=
t(1-
L)-1=1+L+2L2+…+kLk
…,||<1時(shí)(1-
L)
(1+L+2L2+…+kLk
…)=1+L+2L2+…+kLk
…-L-2L2-…-kLk-k+1Lk+1…(1+0.5L+0.52L2+…)
t=
t
t+0.5
t-1+0.52
t-2+…=
t
t=(1-2L)t(1-2L)-1
t=
t||>1時(shí),(1-
L)-1=--1L-1(1+-1L-1+-2L-2+…+-kL-k
…)(--1L-1)(1-
L)
(1+-1L-1+-2L-2+…+-kL-k
…)=1--1L-1(1+-1L-1+-2L-2+…+-kL-k
…)
t=
t-0.5
t+1-0.25
t+2-…=
t無窮階滑動(dòng)平均過程MA(q)可以用求和的形式表示
無窮階滑動(dòng)平均過程,記為MA(
)無窮階滑動(dòng)平均過程無窮階滑動(dòng)平均過程是否一定平穩(wěn)呢?不是.何時(shí)平穩(wěn)呢?下面是一個(gè)充分條件:無窮階自回歸過程AR(p)可以用求和的形式表示
無窮階自回歸過程,記為AR(
)
ARMA模型表示成MA(
)
t=c+
1
t-1+
t+
1
t-1(1-
1L)
t=c+(1+
1L)
t
t=(1-
1L)-1c+(1-
1L)-1(1+
1L)
t
t=+(1+1L+21L2+…)(1+
1L)
tARMA模型表示成AR(
)
t=c+
1
t-1+
t+
1
t-1(1-
1L)
t=c+(1+
1L)
t(1+
1L)-1(1-
1L)
t=(1+
1L)-1c+
t三個(gè)模型的關(guān)系MA,AR,和ARMA滿足平穩(wěn)可逆條件時(shí),三者可以相互轉(zhuǎn)化AR(p)——MA(
):Yt=
(L)-1c+
(L)-1
t
t前的系數(shù)稱為格林函數(shù)或記憶函數(shù)MA(q)——AR(
):
(L)-1Yt=
(L)-1c+
tYt前的系數(shù)稱為逆函數(shù)ARMA(p,q)——MA(
):Yt=
(L)-1c+
(L)-1
(L)
t=
(L)-1c+
(L)/
(L)
tARMA(p,q)——AR(
):
(L)-1
(L)Yt=
(L)-1c+
t線性ARMA(p,q)模型
t=c+
1
t-1+
2
t-2+…+
p
t-p+
t+
1
t-1+…+
q
t–q(1)
p0,
q0(2)滿足平穩(wěn)條件(stationary)(3)滿足可逆條件(invertible)(4)沒有公共因子(nocommonfactor)(5)ARIMA(p,d,q)過程和模型
隨機(jī)過程不平穩(wěn)時(shí)對(duì)不平穩(wěn)的隨機(jī)過程差分d次后平穩(wěn),注意不要過渡差分,差分以后滿足一個(gè)ARMA(p,q)模型,則沒有差分前的模型稱為ARIMA(p,d,q)模型,滿足該模型的隨機(jī)過程稱為ARIMA過程。AutoRegressionIntegratedMovingAverage(自回歸滑動(dòng)平均求和模型或過程)線性ARMA模型-3建立ARMA模型WOLD分解定理(1938)任意完全非確定平穩(wěn)隨機(jī)過程,可以表示成線性濾波的形式:其中系數(shù)絕對(duì)可和:Yt=
t+1Lt-1+1L2
t-2+…Yt=(1+1L+2L2+….)tYt=(1+1L+2L2+….)tBox-Jenkins假設(shè)有理滯后算子多項(xiàng)式的比率去近似無窮階的滯后算子多項(xiàng)式它F(L)-1
(L)≈
(L)(1+1L+2L2+….)=[(1+1L+…+qLq)/(1-1L-…-pLp)]Yt=[(1+1L+…+qLq)/(1-1L-…-pLp)]t(1-1L-…-pLp)Yt
=(1+1L+…+qLq)t因此平穩(wěn)隨機(jī)過程可以用ARMA(p,q)模型來表示。建模步驟判斷數(shù)據(jù)是否平穩(wěn):如果數(shù)據(jù)不平穩(wěn),采用差分的方法得到平穩(wěn)的時(shí)間序列,數(shù)據(jù)平穩(wěn)后進(jìn)行下面的步驟;定階:確定滯后長(zhǎng)度p,q的大??;估計(jì):估計(jì)模型的未知參數(shù);檢驗(yàn):檢驗(yàn)殘差是否是白噪聲過程;預(yù)測(cè):選擇模型和利用模型對(duì)未來做預(yù)測(cè)。平穩(wěn)化判斷數(shù)據(jù)是否平穩(wěn)從圖形看不重復(fù)穿越一條水平線,或者有明顯的趨勢(shì)樣本自相關(guān)函數(shù)收斂速度慢正式的單位根檢驗(yàn)(后面章節(jié)介紹)bondrate定階定階兩種方法:根據(jù)隨機(jī)過程的自相關(guān)函數(shù)和偏自相關(guān)函數(shù)的特點(diǎn)根據(jù)信息準(zhǔn)則
AC
PACMA截尾拖尾AR拖尾截尾ARMA拖尾拖尾定階樣本自相關(guān)函數(shù)的計(jì)算和判斷定階
定階
t=c+
11
t-1+
1t
t=c+
12
t-1+
22
t-2+
2t
t=c+
1k
t-1+
2k
t-2+
3k
t-3+…+
kk
t-k
+
kt…用OLS法估計(jì)上面的方程
11是1階樣本偏自相關(guān)系數(shù);
22是2階樣本偏自相關(guān)系數(shù),以此類推。
定階
定階
例題假設(shè)有T=100,計(jì)算得到樣本自相關(guān)系數(shù)如下:123450.207,-0.213,0.086,0.005,-0.022.請(qǐng)判斷自相關(guān)系數(shù)的顯著性。答案:自相關(guān)函數(shù)2步截尾。定階方法二:信息準(zhǔn)則評(píng)價(jià)模型的優(yōu)劣信息準(zhǔn)則AIC和BIC準(zhǔn)則對(duì)自由度進(jìn)行調(diào)整k是模型中未知參數(shù)的個(gè)數(shù),et是估計(jì)出的誤差
Akaike’sinformationcriterion赤池和SchwartzBayesianinformationcriterion(SBC,SC,BIC)施瓦茲
定階:AIC準(zhǔn)則和BIC準(zhǔn)則對(duì)AIC和BIC求自然對(duì)數(shù):AIC(p,q)=ln()+2(p+q)/TBIC(p,q)=ln()+(p+q)ln(T)/TT樣本長(zhǎng)度,如果有常數(shù)項(xiàng)p+q被p+q+1代替,ln表示自然對(duì)數(shù)。在ARMA模型中需要選擇p和q,所以用p+q代替k。是對(duì)噪聲項(xiàng)方差的估計(jì)AIC和BIC判斷步驟(1)給定滯后長(zhǎng)度的上限P和Q,例如取為T/10,ln(T),,或根據(jù)樣本ACF和樣本PACF判斷。(2)假設(shè)樣本區(qū)間1,…,T,把樣本區(qū)間修改到P+1,…,T。(3)對(duì)任意一對(duì)滯后長(zhǎng)度p=0,1,…,P,q=0,1,…,Q,分別估計(jì)模型ARMA(p,q)(4)帶入上面的公式,計(jì)算出AIC(p,q)和BIC(p,q)(5)最小值對(duì)應(yīng)的p,q值作為ARMA模型的階數(shù)。用AIC和BIC準(zhǔn)則確定階數(shù)AIC準(zhǔn)則--------MA(1)
q0123P0-7.415-7.455-7.426-7.3731-7.39-7.395-7.422-7.2722-7.433-7.383-7.174-7.221用AIC和BIC準(zhǔn)則確定階數(shù)BIC--------白噪聲
q0123P0-7.415-7.411-7.338-7.2391-7.346-7.251-6.998-7.0012-7.345-7.251-6.998-7.001AIC和BIC準(zhǔn)則選擇滯后長(zhǎng)度存在以下缺陷:1)選擇不同的準(zhǔn)則具有主觀任意性,不同準(zhǔn)則得出矛盾的結(jié)論。BIC準(zhǔn)則的大樣本(滿足一致性)性質(zhì)比AIC好,小樣本下AIC的性質(zhì)優(yōu)于BIC,一般AIC確定的階數(shù)大于BIC。2)選擇方法是確定一個(gè)滯后長(zhǎng)度的上限P和Q,如果實(shí)際的滯后長(zhǎng)度大于P或Q,那我們就得不到正確的滯后長(zhǎng)度。其他定階方法很多信息準(zhǔn)則,可以使用多種信息準(zhǔn)則定階,采用大多數(shù)原則,選擇大多數(shù)信息準(zhǔn)則確定滯后長(zhǎng)度。例如7個(gè)準(zhǔn)則中有4個(gè)定階3,那么選滯后長(zhǎng)度3.還有一種定階使用t檢驗(yàn),給出一個(gè)比較大的滯后長(zhǎng)度,檢查最后一個(gè)系數(shù)是否顯著,不顯著則滯后長(zhǎng)度減少1.ARMA模型參數(shù)估計(jì)極大似然估計(jì):以AR(1)為例
t=c+
t-1+
t
假設(shè)
~i.i.d.N(0,
2)估計(jì):
=(c,
,
2)’
已知:y1,y2,…,yTE(
1)=c/(1-
)E(
1-
)2=
2/(1-
2)極大似然估計(jì)當(dāng)
1的觀測(cè)已知時(shí),
2的條件分布
2=c+
1+
2
(
2|
1=y1)~N(c+
y1,
2)極大似然估計(jì)Y1,Y2的聯(lián)合分布密度函數(shù),是條件密度和邊際密度相乘f
2,Y1(y2,y1;
)=f
2|Y1(y2|y1;
)f
1
(y1;
)類似的,已知y1,y2,
3的條件分布
3=c+
2+
3~N(c+
y2,
2)
極大似然估計(jì)三者的聯(lián)合分布f
3,
2,Y1(y3,y2,y1;
)=f
3|Y2,Y1(y3|y2,y1;
)f
2|Y1(y2|y1;
)f
1
(y1;
)一般給定y1,y2,…yt-1,
t=c+
t-1+
t~N(c+
yt-1,
2)
t的條件分布只和yt-1有關(guān)
極大似然估計(jì)f
t,Yt-1,…,Y1(yt,yt-1,…,y1;
)=f
1
(y1;
)f
t|Yt-1(yt|yt-1;
)極大似然估計(jì)估計(jì):滿足下面的條件的解求解未知參數(shù)的方程是非線性的,如果只關(guān)心(
2,…,
T)的條件聯(lián)合分布,得到條件極大似然函數(shù)。極大似然估計(jì)假設(shè)觀測(cè)值是y0,y-1…,y-P+1,y1,…,yT假設(shè)
0=
-1=…=
-q+1=0以初始值y0,y-1…,y-P+1和
0,
-1,…,
-q+1為條件,對(duì)t=1,2,…,T,對(duì)數(shù)條件似然函數(shù)是使用對(duì)數(shù)條件似然函數(shù)對(duì)每個(gè)未知參數(shù)求一階導(dǎo)數(shù),令其等于0,這時(shí)方程組是線性方程組,易于求解。對(duì)殘差進(jìn)行檢驗(yàn)?zāi)P偷臋z驗(yàn)檢驗(yàn)殘差是否是白噪聲過程1)畫出殘差的SACF,SPACF2)計(jì)算統(tǒng)計(jì)量QBox-PierceQ-檢驗(yàn)LjungandBox
Q檢驗(yàn)1)H0:
1=
2=…
m=0,即{
t}是白噪聲過程2)m主觀給定,一般在15到30之間,可令m=T1/23)當(dāng)零假設(shè)成立時(shí),統(tǒng)計(jì)量Q漸進(jìn)(asymptoticallydistributed)服從
2(m-p-q),如果模型中包括常數(shù)項(xiàng),那么Q漸進(jìn)服從
2(m-1-p-q)4)當(dāng)統(tǒng)計(jì)量的值>臨界值時(shí),拒絕零假設(shè)。5)Q檢驗(yàn)的缺陷是,經(jīng)常不能拒絕零假設(shè)。把不是白噪聲時(shí),也誤認(rèn)為是白噪聲。
檢驗(yàn)Q檢驗(yàn)圖示真實(shí)臨界值計(jì)算值卡方分布臨界例題例m=6,模型中有常數(shù)項(xiàng),考慮下面的幾個(gè)模型,哪個(gè)模型是合格的模型?給出其它幾個(gè)模型Q檢驗(yàn)統(tǒng)計(jì)量的自由度。(p+q)Q自由度P-value(1,0)15.926-1-0-10.019(2,0)11.8230.249(0,1)4.1240.139(0,2)6.9430.21(1,1)7.9430.047預(yù)測(cè)預(yù)測(cè)-基本概念模擬預(yù)測(cè)事后預(yù)測(cè)事前預(yù)測(cè)樣本內(nèi)樣本外1100110假設(shè)收集到N個(gè)數(shù)據(jù),使用1到T來估計(jì)模型.對(duì)N時(shí)刻以后預(yù)測(cè)事前預(yù)測(cè);對(duì)T到N預(yù)測(cè)事后預(yù)測(cè)或樣本外預(yù)測(cè);對(duì)1到T之間的預(yù)測(cè)是模擬,或擬和。1TN預(yù)測(cè)-基本概念假設(shè)時(shí)刻T之前的所有數(shù)值YT,YT-1,…,Y1,…h(huán)步預(yù)測(cè):預(yù)測(cè)變量YT+h,h>0,稱為h-步預(yù)測(cè)預(yù)測(cè)估計(jì)量:用表示基于T時(shí)刻之前的觀測(cè)對(duì)YT+h的預(yù)測(cè)預(yù)測(cè)誤差估計(jì)量:預(yù)測(cè)均方誤差,記為MSE()預(yù)測(cè)最優(yōu)預(yù)測(cè):選擇合適的函數(shù)形式,使得預(yù)測(cè)均方誤差最小的預(yù)測(cè)是最優(yōu)預(yù)測(cè)??梢宰C明求YT+h基于YT,YT-1,…,Y1,…的條件期望是使均方誤差最小的預(yù)測(cè),條件期望表示為:E(YT+h|YT,YT-1,…,Y1…)=預(yù)測(cè)值的計(jì)算
t=c+
1
t-1+
2
t-2+…+
p
t-p+不可能知道T時(shí)刻前的所有觀測(cè),觀測(cè)值是YT,YT-1,…Y1,所以是近似預(yù)測(cè)。假設(shè)參數(shù)已知,實(shí)際只能用估計(jì)的參數(shù)代替真實(shí)參數(shù)。預(yù)測(cè)是遞推進(jìn)行例題
預(yù)測(cè)值的計(jì)算AR(1)模型的h步預(yù)測(cè)收斂到
t的均值
t=c+
t-1+
t例題
殘差的計(jì)算
t=0.2+
t+0.7
t-1
t=
t-0.2-0.7
t-1
1=
1-0.2-0.7
0
假設(shè)
0=0
2=
2-0.2-0.7
1
…
T-1=
T-1-0.2-0.7
T-2
T=
T-0.2-0.7
T-1
T+1
T+2未知,用條件期望代替預(yù)測(cè)值的計(jì)算MA(q)模型的h步預(yù)測(cè)
預(yù)測(cè)值的計(jì)算計(jì)算殘差的估計(jì)值,假設(shè)0,
-1,…
-q+1=0根據(jù)下面的公式遞推計(jì)算:預(yù)測(cè)值的計(jì)算ARMA(1,1)模型的預(yù)測(cè)收斂到均值
t=c+
1Yt-1+
t+
1
t-1
預(yù)測(cè)值的計(jì)算殘差的計(jì)算與MA模型類似,以ARMA(1,1)為例。
1=
1-c-
1Y0-
1
0假設(shè)
0=0,
0已知。所以實(shí)際用的數(shù)據(jù)個(gè)數(shù)為T+1個(gè);如果
0未知,用樣本均值代替。
2=
2-c-
1Y1-
1
1…
T=
T-c-
1YT-1-
1
T-1預(yù)測(cè)值的計(jì)算1-步預(yù)測(cè)2-步預(yù)測(cè)預(yù)測(cè)值的計(jì)算一般預(yù)測(cè)公式預(yù)測(cè)置信區(qū)間ARMA模型表示成MA(
)模型
t-
=
t+
1
t-1+
2
t-2+…
T+h-
=
T+h+
1
T+h-1+…+
h-1
T+1
+
h
T+
h+1
T-1+…h(huán)步預(yù)測(cè)是在基于T時(shí)刻前的信息求條件期望,結(jié)果如下:
預(yù)測(cè)置信區(qū)間預(yù)測(cè)誤差:
預(yù)測(cè)方差一步預(yù)測(cè)方差等于殘差的方差。預(yù)測(cè)方差隨著預(yù)測(cè)步長(zhǎng)的增加越來越大。預(yù)測(cè)方差趨于Y的無條件方差預(yù)測(cè)的置信區(qū)間95%置信水平下,h-步預(yù)測(cè)的置信區(qū)間,假設(shè)服從正態(tài)分布
樣本外預(yù)測(cè)靜態(tài)預(yù)測(cè)滾動(dòng)預(yù)測(cè)遞推預(yù)測(cè)靜態(tài)預(yù)測(cè)與動(dòng)態(tài)預(yù)測(cè)
滾動(dòng)預(yù)測(cè)和遞推預(yù)測(cè):假設(shè)收集到數(shù)據(jù)95:1:1到99:12:10。使用95:1:1到99:11:30估計(jì)模型,對(duì)99:12:1-99:12:10日的數(shù)據(jù)進(jìn)行預(yù)測(cè)。靜態(tài)預(yù)測(cè)在預(yù)測(cè)時(shí),把99:12:1到99:12:9日的真實(shí)觀測(cè)值帶入預(yù)測(cè)公式即可。
樣本外預(yù)測(cè)滾動(dòng)預(yù)測(cè)是滾動(dòng)估計(jì)區(qū)間,然后進(jìn)行1-步預(yù)測(cè),遞推預(yù)測(cè)是不斷增加估計(jì)樣本區(qū)間,然后進(jìn)行1-步預(yù)測(cè),例如:預(yù)測(cè)
滾動(dòng)估計(jì)樣本范圍
遞推估計(jì)樣本范圍195:1:1-99:11:3095:1:1-99:11:30295:1:2-99:12:195:1:1-99:12:1395:1:3-99:12:295:1:1-99:12:2預(yù)測(cè)的評(píng)價(jià)
1)均方根誤差2)均方誤差3)平均絕對(duì)百分比誤差4)建立回歸模型,如果預(yù)測(cè)準(zhǔn)確截距等于0,斜率等于1預(yù)測(cè)的評(píng)價(jià)(5)平均誤差(6)平均絕對(duì)誤差(7)均方根百分比誤差RMSPE=(8)正確預(yù)測(cè)的百分率
與這個(gè)概率接近的一個(gè)指標(biāo)是符號(hào)正確百分率:
%符號(hào)正確百分率=
其中 zt+s=1如果(yt+s.ft,s)>0
zt+s=0否則
預(yù)測(cè)評(píng)價(jià)MSE=0.079,MAE=0.180,符號(hào)正確百分率=40%預(yù)測(cè)評(píng)價(jià)的例子對(duì)模型的評(píng)價(jià)總結(jié)殘差是否是白噪聲預(yù)測(cè)是否準(zhǔn)確是否有最小的AIC或BIC是否有更簡(jiǎn)單的模型是否有直觀意義和經(jīng)濟(jì)理論基礎(chǔ)金融時(shí)間序列模型第4章波動(dòng)率模型自回歸條件異方差模型金融衍生市場(chǎng),計(jì)算期權(quán)等衍生工具的價(jià)格需要了解股票的波動(dòng)率金融風(fēng)險(xiǎn)管理,度量金融風(fēng)險(xiǎn)的大小,計(jì)算VaR。改進(jìn)參數(shù)估計(jì)量的有效性,提高預(yù)測(cè)區(qū)間的精確度。
自回歸條件異方差模型
ARCH(1):
t~i.i.d.是獨(dú)立同分布白噪聲過程
0>0,
1
0,1
<1
方差方程:
AR(1)-ARCH(1)模型
自回歸條件異方差模型金融資產(chǎn)收益率的一個(gè)特征是日收益率不存在或只存在微弱的相關(guān)性,但是日收益率的平方存在相關(guān)性,即收益率序列不相關(guān)但是也不獨(dú)立,就是ARCH過程。不相關(guān)也不獨(dú)立
ARCH過程的性質(zhì)該過程表明,如果
t-1異常的偏離他的條件期望0,那么
t的條件方差要比通常情況下大,所以有理由預(yù)期
t會(huì)比較大.這樣使得比較大,反之,如果
t-1異常的小,那么條件方差要比通常情況下小,所以有理由預(yù)期
t會(huì)比較小.這樣使得比較小.雖然方差大或小會(huì)持續(xù)一端時(shí)間,但是不會(huì)一直持續(xù)下去,會(huì)回到無條件方差上去.ARCH過程性質(zhì)無條件期望和無條件方差
一般的ARCH(q)模型
ARCH(q)是加權(quán)平均對(duì)波動(dòng)率進(jìn)行預(yù)測(cè)
ARCH(q):
t~i.i.d.是獨(dú)立同分布白噪聲過程
0>0,
j
0,j=1,…q,1
+…+q<1
ARCH過程缺點(diǎn)總結(jié)不能反應(yīng)波動(dòng)率的非對(duì)稱特點(diǎn)約束強(qiáng),要求系數(shù)非負(fù),如果要求高階矩存在,還有更多的約束不能解釋為什么存在異方差,只是描述了條件異方差的行為。建立ARCH模型建立ARCH模型一、建立收益率序列的計(jì)量模型,去掉任何線性關(guān)系,使用估計(jì)的殘差檢驗(yàn)ARCH效果二、估計(jì)模型三、檢驗(yàn)ARCH模型,根據(jù)情況修改模型。
建立模型一、建立均值方程:
建立模型根據(jù)均值方程計(jì)算殘差,然后檢驗(yàn)殘差是否存在條件異方差
觀察殘差平方的偏自相關(guān)函數(shù),如果q步截尾,則階數(shù)為q對(duì)殘差平方使用Q檢驗(yàn),判斷是否存在自相關(guān)使用ARCH-LM檢驗(yàn)ARCH-LM檢驗(yàn)
零假設(shè)H0:
1=
2…=
q=0,
即不存在條件異方差性
檢驗(yàn)統(tǒng)計(jì)量:
LM=TR2,T是樣本點(diǎn)個(gè)數(shù),LM服從
2(q)分布
建立模型二、估計(jì)模型
建立模型三、檢驗(yàn)?zāi)P?/p>
計(jì)算標(biāo)準(zhǔn)化后的殘差{et/ht1/2},根據(jù)定義應(yīng)該獨(dú)立同分布N(0,1)使用Q-檢驗(yàn)法檢驗(yàn){et/ht1/2}是否有自相關(guān)使用Q-檢驗(yàn)法檢驗(yàn){e2t/ht}是否有自相關(guān)ARCH模型對(duì)條件方差的預(yù)測(cè)
其他ARCH類模型
GARCHEGARCHTGARCHARCH-M(ARCH-in-Mean)GARCH(p,q)
廣義自回歸條件異方差模型
GARCH(1,1)GARCH模型由來
例ARMA(2,1)-GARCH(1,2)
例ARMA(1,2)—GARCH(2,2)
GARCH性質(zhì)1)GARCH模型的含義是條件方差ht是ht-1,…h(huán)t-p和
t-1,
t-q的函數(shù)。2)當(dāng)p=0時(shí),成為ARCH模型,ARCH模型是GARCH的特例,這也是該模型被稱為廣義的原因。3)參數(shù)
i,i=1,2,…,q和
i,i=1,2,…,p大于零是保證條件方差為正的充分條件,而不是必要條件。4){
2t}平穩(wěn)的條件是
1+…+
q+
1+…+
p<1,這時(shí){
t}也是寬平穩(wěn)的。如果
1+…+
p+
1+…+
p=1則{
t}過程被稱為I-GARCH模型。這時(shí)條件方差的特點(diǎn),或者說波動(dòng)性的特點(diǎn)為很強(qiáng)的持續(xù)性。5)GARCH(p,q)模型等價(jià)于ARCH(
),經(jīng)常使用GARCH(1,1)GARCH預(yù)測(cè)GARCH(1,1)的預(yù)測(cè)公式
ARMA和GARCH過程的比較性質(zhì)白噪聲i.i.d.ARMAGARCHARMA-GARCH條件均值條件方差條件分布無條件均值無條件方差無條件分布0常數(shù)正態(tài)0常數(shù)正態(tài)非常數(shù)常數(shù)正態(tài)常數(shù)常數(shù)正態(tài)0非常數(shù)正態(tài)0常數(shù)厚尾非常數(shù)非常數(shù)正態(tài)常數(shù)常數(shù)厚尾EGARCH
指數(shù)廣義自回歸條件異方差模型
>0同等程度的正擾動(dòng)引起條件方差的變化比負(fù)擾動(dòng)要大;
<0同等程度的正擾動(dòng)引起條件方差的變化比負(fù)擾動(dòng)要小;
=0同等程度的正擾動(dòng)引起條件方差的變化與負(fù)擾動(dòng)相等。
EGARCH模型1)重要特征是引入不對(duì)稱性。2)參數(shù)沒有大于0的約束,因?yàn)閷?duì)求對(duì)數(shù)后的條件方差建模,可以保證方差為對(duì)數(shù)。3)可以假設(shè)
t~廣義誤差分布,廣義誤差分布中參數(shù)r=2時(shí)對(duì)應(yīng)正態(tài)分布,r<2時(shí)對(duì)應(yīng)尖峰分布,r>2時(shí)對(duì)應(yīng)扁峰分布。TGARCH模型
新聞響應(yīng)曲線
newsimpactcurveARCHinMean(ARCH-M)
例題
研究臺(tái)灣新臺(tái)幣/美圓匯率。即1美圓=------臺(tái)幣。
數(shù)據(jù)區(qū)間1994:11,16——1995:3,8,每5分鐘記錄一次,共1341個(gè)樣本點(diǎn)。問題:匯率是否是可預(yù)測(cè)的?匯率市場(chǎng)波動(dòng)是否是不對(duì)稱的?是否風(fēng)險(xiǎn)越大,要求的收益率越大?例題要回答問題1,需要采用AR模型,檢驗(yàn)是否是一個(gè)隨機(jī)游動(dòng);回答問題2和3要用到EGARCH模型;問題4用到ARCH-M模型。所以采用AR-EGARCH-Mlnpt=lnpt-1+utlnpt-lnpt-1=utrt=ut例題AR-EGARCH-M首先介紹一些符號(hào)用St表示匯率。Rt=(lnSt-lnSt-1)*100是匯率的收益率
00.0080.068H0:
0=0
1-0.625-3.479*H0:
1=0
2-0.1079-4.965*H0:
2=0
3-0.1055-5.37*H0:
3=0
-0.0048-1.916*H0:
=0
10.959463.266*H0:
1=0
-0.3766-1.6553H0:
=0
00.2912-3.291*H0:
0=0
10.1196-2.683*H0:
1=0例題如何利用模型解決問題?
匯率是否是可預(yù)測(cè)的?
H0:
1=0,
2=0,
3=0
匯率市場(chǎng)是否是不對(duì)稱的?
H0:
=0
是否風(fēng)險(xiǎn)越大,要求的收益率越大
H0:
=0風(fēng)險(xiǎn)價(jià)值ValueatRisk金融機(jī)構(gòu)通常這樣描述:風(fēng)險(xiǎn)價(jià)值是一定數(shù)額的貨幣,是對(duì)未來的可能損失的估計(jì)。例如某銀行宣布,“在99%的置信水平下,一天內(nèi)他的資產(chǎn)的VaR是350萬(wàn)元”具體說是這樣一個(gè)數(shù)額的貨幣,預(yù)期一個(gè)交易日后,損失超過該數(shù)額貨幣的可能性是1%P(損失>VaR)=
,是顯著水平P(損失<VaR)=1-,1-是置信水平
風(fēng)險(xiǎn)價(jià)值概念要素:置信水平;時(shí)間長(zhǎng)度;損失:用絕對(duì)損失或比率;資產(chǎn)組合損益的可能取值損失的概率密度1%風(fēng)險(xiǎn)價(jià)值度量方法歷史模擬法基于ARCH模型進(jìn)行計(jì)算風(fēng)險(xiǎn)價(jià)值計(jì)算原理初始投資額W0持有期末投資資產(chǎn)的價(jià)值W持有期的收益率RW=W0(1+R)到期財(cái)富小于W*的概率是,即顯著水平下,最低的價(jià)值W*(或相應(yīng)的最小的收益率是R*)W*=W0(1+R*)VaR=W0-W*=-W0R*估計(jì)VaR-單個(gè)股票資產(chǎn)的歷史模擬法假設(shè)有n個(gè)收益率第K個(gè)最小的收益率K=n*
VaR=-S*R(K)如果K不是整數(shù)歷史模擬法例:有6329個(gè)樣本值,估計(jì)5%水平下VaR第一步:由小到大把收益率排序r(1)<r(2)<…<r(6329)第二步:計(jì)算KK=6329*0.05=316.45不是整數(shù),與它最接近的兩個(gè)整數(shù)是316<K<317歷史模擬法與316對(duì)應(yīng)的概率為p1=316/6329;與317對(duì)應(yīng)的概率為p2=317/6329r(316)=-4.237%;r(317)=-4.22%帶入前面的公式x(0.05)=0.55r(316)+0.45r(317)=-4.229%假設(shè)初始投資100萬(wàn),VaR=-100*(-4.229%)=42290元單個(gè)股票收益率服從N(,2)與
對(duì)應(yīng)的標(biāo)準(zhǔn)正態(tài)分布的分位數(shù)當(dāng)=0.05時(shí),=-1.65當(dāng)=0.01時(shí),=-2.33與
對(duì)應(yīng)的收益率的分位數(shù)S表示股票的現(xiàn)值風(fēng)險(xiǎn)價(jià)值=J.P.MORGAN的RiskMetricsTM
使用連續(xù)日收益率rt
假設(shè)日收益率的條件分布是正態(tài)分布rt|It-1~N(
t,ht)并且近一步假設(shè)rt=0+
t,h
t=
h
t-1+(1-
)r2t-1,1>
>0,h0等于樣本方差.
J.P.MORGAN的RiskMetricsTM該方法的簡(jiǎn)單之處在于容易計(jì)算多期收益率,計(jì)算t+1到t+k的收益率等于rt+1[k]=rt+1+…+rt+k容易證明
rt+1[k]~N(0,kht+1),其中h
t+1=ht+(1-
)r2t
h
t+2=ht+1+(1-
)ht+1=h
t+1J.P.MORGAN的RiskMetricsTM5%顯著水平下,一天內(nèi)的風(fēng)險(xiǎn)價(jià)值VaR=資產(chǎn)的當(dāng)前價(jià)值*1.65*
t+15%顯著水平下,K天內(nèi)的風(fēng)險(xiǎn)價(jià)值VaR(K)=資產(chǎn)的當(dāng)前價(jià)值*1.65*
t+1*K1/2VaR(K)=K1/2*VaR
例:AR-GARCH模型假設(shè)建立模型如下rt=0.00055-0.0246rt-1+
t
t=vtht=0.00000289+0.91ht-1+0.0699
2t-1例假設(shè)共有1190個(gè)數(shù)據(jù)r1189=-0.00201,r1190=-0.0128,h1190=0.00033455一步預(yù)測(cè)r1190(1)=0.000865
1190=r1190-0.00055+0.0246r1189=-0.001699h1190(1)=0.0002953例5%顯著水平下,一天的風(fēng)險(xiǎn)價(jià)值為10,000,000×[0.000865-1.65*]=-279770多元ARCH類模型多元ARCH類模型例如套期保值問題。購(gòu)買一份現(xiàn)貨價(jià)格用ln(S)表示,由于金融資產(chǎn)價(jià)格是隨機(jī)的具有一定的風(fēng)險(xiǎn),為了減小風(fēng)險(xiǎn),可以購(gòu)買
份的期貨價(jià)格用ln(F)表示,該資產(chǎn)組合t期的收益率滿足:Rt=
ln(St)-
ln(Ft)
基于t-1期預(yù)測(cè)收益率為:Et-1(Rt)=Et-1(
ln(St))-
t-1Et-1(
ln(Ft))多元ARCH類模型
VECH模型
VECH模型
VECH模型
BEKK模型
CCC模型
VCC模型
VCC模型
DCC模型
DCC模型
DCC模型
金融時(shí)間序列模型
第5章:向量自回歸模型向量自回歸模型定義Granger因果檢驗(yàn)脈沖響應(yīng)函數(shù)和方差分解結(jié)構(gòu)向量自回歸模型的識(shí)別向量自回歸模型
(VectorAutoRegressionmodel)
定義definition平穩(wěn)條件stationarycondition預(yù)測(cè)forecasting
二維VAR(1)模型寫成方程組
二維VAR(1)模型寫成矩陣
更一般地,考慮一組時(shí)間序列變量:我們可以將其定義為一個(gè)n×1維向量Yt:定義:p階向量自回歸模型(過程)(p-orderVARmodelorprocess)一個(gè)p階VAR模型的標(biāo)準(zhǔn)表達(dá)式定義為:如果維度是n,C為n×1維常數(shù)向量;為n×n維自回歸系數(shù)矩陣。為n×1維向量白噪生過程,滿足如下關(guān)系:記模型為VAR(p),滿足上面模型的平穩(wěn)向量隨機(jī)過程稱為p階向量自回歸過程。
標(biāo)準(zhǔn)VAR模型的特點(diǎn)
charactersofstandardVAR(1)每個(gè)分量都是內(nèi)生變量(allvariablesareendogenous)(2)每個(gè)方程的解釋變量都相同,是所有內(nèi)生變量的滯后變量.(everyequationhavethesameexplainvariables,whicharepredeterminedvariables)(3)Yt的動(dòng)態(tài)結(jié)構(gòu)由它的p階滯后就可以刻畫出來,p時(shí)刻之前的變量對(duì)Yt無影響。(dynamicstructureisdeterminedbyitsplags)VAR模型優(yōu)點(diǎn)所有變量都是內(nèi)生的,不用作者去判斷,哪些變量需要設(shè)置成外生變量。VAR模型比AR模型更靈活。如果模型中只包括滯后項(xiàng),沒有同期變量出現(xiàn),估計(jì)方法簡(jiǎn)單,OLS就可以。預(yù)測(cè)比傳統(tǒng)的聯(lián)立方程精確。VAR模型的缺點(diǎn)沒有理論基礎(chǔ)。VAR模型不能用來進(jìn)行理論驗(yàn)證和政策評(píng)價(jià),模型的系數(shù)缺乏對(duì)應(yīng)的經(jīng)濟(jì)含義,因此往往很難解釋。VAR模型不根據(jù)理論提出,所有有可能通過數(shù)據(jù)挖掘,得到變量間虛假的關(guān)系。參數(shù)太多,模型要估計(jì)的系數(shù)個(gè)數(shù)(n+pn2),n表示變量個(gè)數(shù),P表示滯后長(zhǎng)度。Sims,Stock,和Watson(1990)提出,非平穩(wěn)序列仍然可以放在VAR模型中,通過估計(jì)結(jié)果分析經(jīng)濟(jì)、金融含義。如果要對(duì)參數(shù)進(jìn)行假設(shè)檢驗(yàn),所有變量必需是平穩(wěn)的。非平穩(wěn)時(shí),需要建立VECM模型。通常建議對(duì)平穩(wěn)時(shí)間序列數(shù)據(jù)建立VAR模型。向量自回歸模型平穩(wěn)條件VAR(p)用滯后算子表示
向量自回歸模型平穩(wěn)條件
stationaryconditionfor
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫(kù)網(wǎng)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 教科版(2017)四年級(jí)上冊(cè)科學(xué)第1單元第3課《聲音是怎樣傳播的》教案
- 華中師大版八下信息技術(shù) 2.5地球圍繞太陽(yáng)轉(zhuǎn)-軌道運(yùn)動(dòng)與遮罩動(dòng)畫 教案
- 人音版五年級(jí)音樂下冊(cè)(五線譜)第4課《田野在召喚》教學(xué)設(shè)計(jì)
- 2023-2024學(xué)年人教版初中信息技術(shù)七年級(jí)上冊(cè)第五單元第16課 網(wǎng)上獲取信息四、網(wǎng)上問路教案
- 浙教版(2023)六下信息科技第9課《開關(guān)量的或運(yùn)算》教學(xué)設(shè)計(jì)
- 華師大版三年級(jí)上冊(cè)信息技術(shù) 10喜鵲飛來報(bào)吉祥(教案)
- 新人教版高中生物必修一3.1 細(xì)胞膜-系統(tǒng)的邊界 教學(xué)設(shè)計(jì)
- 《情緒ABC包教包會(huì)》-高中心育課教案
- 人教版七年級(jí)生物下冊(cè)7.2探究環(huán)境污染對(duì)生物的影響教案
- 高一上學(xué)期體育與健康 發(fā)展靈敏性 教案
- 2024-2025學(xué)年統(tǒng)編版道德與法治一年級(jí)上冊(cè)教學(xué)設(shè)計(jì)(附目錄)
- 水利安全生產(chǎn)風(fēng)險(xiǎn)防控“六項(xiàng)機(jī)制”右江模式經(jīng)驗(yàn)分享
- DLT 5630-2021 輸變電工程防災(zāi)減災(zāi)設(shè)計(jì)規(guī)程-PDF解密
- 【川教版】《生命 生態(tài) 安全》二年級(jí)上冊(cè)第3課 我的雞蛋寶寶 課件
- 三年級(jí)語(yǔ)文上冊(cè)第五單元【教材解讀】
- 授居家二眾三皈、五戒儀規(guī)
- 省一級(jí)檔案綜合管理單位復(fù)評(píng)報(bào)告 (2)
- 粵教滬科版初中物理《電動(dòng)機(jī)與發(fā)電機(jī)》教學(xué)設(shè)計(jì)
- PSA制氫裝置開車試運(yùn)行方案
- 連鑄機(jī)熱試聯(lián)動(dòng)試車方案
- 微波測(cè)量概述及信號(hào)源測(cè)量技術(shù):2微波信號(hào)源工作原理第2章
評(píng)論
0/150
提交評(píng)論