第06章 证券市场时间序列分析.docVIP

第06讲 证券市场时间序列分析 思考：怎样理解股票市场的波动性 §1 基础知识 一、随机游走和鞅 独立：是指随机变量在某一瞬间的变化对以后的变化没有任何影响。这就是说，观测值的序列值之间是不相关的。 同分布：指服从具有相同的分布参数（例如：相同的均值和相同的标准差）的同种类型的概率分布。 随机游走是指这样一个过程，即随机游动的随机变量的水平值的变化等于一个随机变量，其均值为0，方差为常数，并且不同的的观测值之间是不相关的。即，形式上可以表示为： 带漂移项的RW：（为常数） RW序列具有金融时间序列分析中的两种重要性质：Markov性质和Martingale性质。 Markov性质：决定随机变量的未来，例如，下一个值，的条件概率的相关信息仅仅包括那个变量当前状态的信息，而不包括那个变量的历史概率分布信息。 Martingale性质：随机变量的未来值的条件期望等于当前值。 一个具有正的漂移的RW是下鞅（Sub-Martingale）的一个例子。 一个具有负的漂移的RW是上鞅（Sub-Martingale）的一个例子。 一般情形： 如果，这一过程为下鞅； 如果，这一过程为上鞅； 如果，这一过程为随机游走。 图1 RW 图2 下鞅 图3 上鞅 二、白噪声 如果一个基础随机变量的均值为零，方差为常数并且不同观测值之间不相关，我们就说该时间序列是一个白噪声（WN）序列。 三、平稳性 如果一个时间序列的均值是常数，方差是常数，不同观测值的协方差仅仅依赖于观测值之间的滞后阶数，那么我们就说时间序列是平稳的。 一个具体的实例。 平稳性检验我们后面会说到。 §２　　单变量随机模型 一、AR过程 自回归过程是指一个过程的当前观测值是过去水平值的线性函数。例如，AR(3)，３阶自回归过程： 自回归模型： 二、单整（integration） 自回归过程和下面要讲到的移动平均模型，都假设所要进行分析的数据是平稳的。 单整（integration）是指将一个时间序列转化为平稳时间序列所要进行的差分的阶数。 序列是差分序列。 一阶单整I（1），二阶单整I（2），平稳时间序列：I（0）。 伪回归spurious regression. 三、MA模型 移动平均模型是指模型值可以表示为过去残差项（也就是过去的模型拟合值与过去的观测值的差）的线性函数。 其中， 四、ARMA模型 一个ARMA（p,q）模型是指模型的自回归的阶数为p，移动平均的阶数为q。例如： 其中是方程的残差误差项。 五、ARIMA模型 一个ARIMA模型包括三个参数，自回归部分的阶数p，需要进行差分的结束d，移动平均部分的阶数q，即ARIMA（p,d,q）。考虑如下几个特殊的ARIMA模型： 1、 2、 3、 4、 5、 §3 时间序列的分析工具 一、自相关检验：自相关系数或自相关函数 第 5 页 共 5 页