六章 平稳时间序列.docVIP

第六章 平稳时间序列模型 时间序列的分析研究始终是经济学和统计学的一个热点，对于制定精确定价和预测决策是至关重要的，近代计量经济学和金融市场的许多研究成果和市场决策理论愈来愈多是建立在时间序列分析的基础上。传统应用较广的是Box和Jenkins（1970）提出的ARIMA（自回归求和移动平均）方法；Engle(1982)提出了ARCH模型（一阶自回归条件异方差），用以研究非线性金融时间序列模型，由此开创了金融时序独树一帜的研究思路和方法。随着时间序列分析理论和方法的发展，美国学者Schemas和Lebanon发现股票日收益序列与周收益序列中存在混沌现象，米尔斯也指出金融时间序列似乎通常可以用随机漫步来很好近似，非线性时间序列模型被广泛应用在金融时间序列分析中。就数学方法而言，平稳随机序列的统计分析，在理论上的发展比较成熟，从而构成时间序列分析的基础。，它是一个随机变量。若考察它随时间变动的情况，则需要考察依赖于时间的随机变量，｛｝就是一个随机过程。又例如，某国某年的总量，是一个随机变量，但若考查它随时间变化的情形，则｛｝就是一个随机过程。 一般地，若对于每一特定的（），为一随机变量，则称这一族随机变量｛｝为一个随机过程。随机过程的分类一般有两种方法：（1）以参数集和的取值的特征来分类；（2）以统计特征或概率特征来分类。为了简便，我们以参数集和的取值的特征来分类。以参数集的性质，随机过程可分为两大类：为可数集合与不可数集合。以所取的值的特征，随机过程也可以分为两大类：离散状态，即所取的值是离散的点；连续状态，即所取的值是连续的。由此可将随机过程分为以下四类：离散参数离散型随机过程；连续参数离散型随机过程；连续参数连续型随机过程；离散参数连续型随机过程。 二、时间序列 离散型时间指标集的随机过程通常称为随机型时间序列，简称为时间序列。经济分析中常用的时间序列数据都是经济变量随机序列的一个实现。时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法，是统计学的一个分支。 时间序列的特点是：序列中的数据依赖于时间顺序；序列中每个数据的取值具有一定的随机性；序列中前后的数值有一定的相关性--系统的动态规律；序列整体上呈现某种趋势性或周期性。时间序列的统计特征通常用其分布及数字特征来刻画。例如期望，方差和协方差。 研究时间序列具有重要的现实意义，通过对时间序列的分析和研究，认识系统的结构特征（如趋势的类型，周期波动的周期、振幅，等等）；揭示系统的运行规律；进而预测或控制系统的未来行为，或修正和重新设计系统（如改变参数、周期等）按照新的结构运行。 三、时间序列的平稳性与滞后算子 所谓时间序列的平稳性，是指时间序列的统计规律不会随着时间的推移而发生变化。也就是说，生成变量时间序列数据的随机过程的特征不随时间变化而变化。以平稳时间序列数据作为计量经济模型变量的观测值时，其估计方法、检验过程才可能采用前面几章所介绍的方法。 直观上，一个平稳的时间序列可以看做作一条围绕其均值上下波动的曲线。从理论上，有两种意义的平稳性，一是严格平稳，另一是弱平稳。严格平稳是指随机过程｛｝的联合分布函数与时间的位移无关。设｛｝为一随机过程，为任意正整数, 为任意实数，若联合分布函数满足： (6.1) 则称｛｝为严格平稳过程，它的分布结构不随时间推移而变化。 弱平稳是指随机过程{}的期望、方差和协方差不随时间推移而变化。若｛｝满足以下三条件： ，， (6.2) 则称｛｝为弱平稳随机过程。在以后的讨论中，关于平稳性的概念通常是指弱平稳，弱平稳通常也被称作宽平稳。 需要注意的是严平稳和弱平稳之间的关系：只有具有有限二阶矩的严平稳过程，才是弱平稳过程；弱平稳过程只限定一阶矩和二阶矩，即它并没有规定分布函数的性质，所以弱平稳并不一定属于严平稳。 由于时间序列分析中经常用到白噪声过程，所以有必要对它介绍一下。 对于一个随机过程，如果；；，，则称为白噪声过程。 白噪声是平稳的随机过程，因其均值为零，方差不变，随机变量之间非相关。显然上述白噪声是二阶宽平稳随机过程。如果 同时还服从正态分布，则它就是一个严平稳的随机过程。白噪声源于物理学与电学，原指音频和电信号在一定频带中的一种强度不变的干扰声。下图是由噪声过程产生的时间序列。 图1 由白噪声过程产生的时间序列 图2 日元对美元汇率的收益率序列 在时间序列分析中，我们经常要用到滞后算子，它的定义为 这个滞后算子是把一个时间序列转换成另一新的时间序列的映射。如果应用两次滞后算子，我们有 记两个滞后算子的乘积为，有。规定，即它是一个恒等映射。滞后算子的逆算子满足。一般地，对于任意的整数，我们有 滞后算子对于数量乘法和加法满足交换律和分配