时间序列幻灯片7.pdfVIP

时间序列模型－ ARIMA与GARCH类模型 厦门大学财政系 王艺明 ARIMA模型 v 对于投资人而言，其最关心的莫过于能预先获知商品股价的 变动趋势，获取最大的利润；而对于商品交易的管理当局而 言，其亦期望能对未来市场趋于过热或过冷加以预测，而预 先加以对策因应，规避市场的过度波动 v 因此传统的时间序列模型旨在提供一套有效的预测技术，以 掌握近期内各金 商品股价的走向，提前因应景气转坏所受 的冲击 v 其中最著名的之一便是Box Jenkins 于1976年提出ARIMA 模型，以往的文献曾将单变量ARIMA模型的预测效果与其它 预测技术 （如多元回归、GARCH、倒传递类神经网络模 型、向量自回归模型及误差修正模型等）相比较，其结果显 示ARIMA预测技术有一定的使用价值 ARIMA模型的研究步骤 单位根检验 估计ARIMA模型的参数 Box-Cox变换 残差是否为白噪音 否 是 进行下一期预测 ARMA模型的设定 v 我们假设经过差分后获得的时序y 是平稳的，此 t 我们对其建立ARMA （p,q）模型 v ARMA模型假设时序y 为其当前与前期的误差和随 t 机 ，以及它的前期值的线性函数，表示为 v y = φy + φy + + φy + μ- θμ - θμ - - t 1 t-1 2 t-2 p t-p t 1 t-1 2 t-2 θμ q t-q v 则称该时序y 为自回归移动平均序列，该模型为 t （p,q）阶自回归移动平均模型，记作ARMA （p,q）。参数φ, φ, , φ为自回归参数， 1 2 p θ, θ, , θ为移动平均参数，是模型的待估参数 1 2 q ARMA模型p,q阶数的确定 v 决定ARMA （p,q）模型中的p与q值阶数的方法之一为，应 用样本的自相关图 （ACF ）判断AR （p）的阶数，应用偏自 相关图 （PACF ）判断MA （q ）的阶数 v 但该方法较主观 模型 ACF PACF AR(p) 呈指数或正弦函数图形 截断与k，当kp MA(q) 截断于q期之后 呈指数或正弦函数图形 ARMA(p,q) 呈指数与正弦函数混合 呈指数与正弦函数混合的衰 的衰退消失 退消失 美国月利率数据的拟合－ARMA v样本数据为第一讲中的数据 v对月利率r进行单位根检验，无法拒绝其为单 位根的零假设 v 因此应拟合ARIMA （p,1,q）模型 v产生差分序列new series dr=r-r(-1) v观察dr的自相关和偏自相关图形 美国月利率数据的拟合－ARMA 美国月利率数据的拟合－ARMA v 从PACF图形来看，似乎是截尾的，可以考虑AR(2)模型 v 输入 ls dr c ar(1) ar(2) 美国月利率数据的拟合－ARMA v 从ACF图形来看，似乎