时间序列分析()精要.ppt

第三章 波动性模型 一、经济时间序列的典型事实 1. Most of the series contain a clear trend; 2. Shocks to a series can display a high degree of persistence; 3. The volatility of many series is not constant over time; 4. Some series seem to meander; 5. Some series share co-movements with other series. 二、ARCH模型 1、预备知识 （1）条件均值和无条件均值 对于平稳ARMA过程，如yt=a0+a1yt-1+εt，若要预测未来t+1时刻的序列值yt+1，如果我们没有任何已知信息，则只能以该序列的无条件均值作为其预测值，即有： Eyt+1=a0+a1Eyt ? Eyt+1=a0/(1-a1) 这一均值也就是序列{yt}的无条件均值。如果在时刻t我们已掌握了序列{yt}现在和过去的实际值，则就可以在已有信息的基础上对未来进行预测，有： Etyt+1=E(yt+1|yt,yt-1,…)=a0+a1yt 这一均值就是在给定yt,yt-1,…的条件下yt+1的均值，即条件均值。 二、ARCH模型 （2）条件方差和无条件方差 无条件均值预测的误差为[yt+1-a0/(1-a1)]，其方差称为无条件方差，有： E[yt+1-a0/(1-a1)]2=E(εt+a1εt-1+a12εt-2+…)2 =σ2/(1-a12) 条件均值预测的误差为[yt+1-(a0+a1yt)]，其方差称为条件方差，有： Et[yt+1-(a0+a1yt)]2=Et (εt+1)2 =σ2 由于|a1|1，所以条件方差小于无条件方差，条件均值预测优于无条件均值预测。 二、ARCH模型 2、经济和金融时间序列中的异方差现象 ① 观测变量序列的（条件）方差随某个变量值的变化而变化； ② 观测变量序列的大方差经常成串出现，小方差也经常成串出现，即观测变量序列往往具有一段段的剧烈波动时期，也有一段段的相对平静时期。 二、ARCH模型 3、计量经济学中处理异方差的方法 假设被解释变量的（条件）方差随变量xt的变化而变化，为了简化，仅考虑被解释变量的方差，则可设定（条件）方差模型为： yt+1=εt+1xt 从而有： Var(yt+1|xt)=xt2σ2 可见，yt+1的条件方差依赖于xt的实现值。若xt2大，则yt+1的条件方差也大；若xt2小，则yt+1的条件方差也小。若若xt序列相关，则yt+1的条件方差也序列相关。 一般地，可将方差模型设定为： yt+1=εt+1=Avt+1xtb 取对数即进行对数变换，可得同方差模型： ln(yt)=a0+a1ln(xt-1)+et 其中Var(et)=constant，已为同方差模型。 困难：如何选择解释变量xt? 二、ARCH模型 4、自回归条件异方差模型 对于平稳ARMA过程，如yt=a0+a1yt-1+εt，通常均假设{εt}为白噪声过程，其方差为常数σ2。即有： Var(yt+1|yt)=Et[(yt+1-a0-a1yt)2]=Et(εt+12)=σ2 如果{εt}的条件方差不是常数，则其随机误差εt的平方也可用AR(q)模型来描述，有： εt2=α0+α1εt-12+α2εt-22+…+αqεt-q2+νt 为了用极大似然方法同时估计序列{yt}的ARMA模型和其条件方差AR(q)模型，恩格尔(Engle, 1982) 将条件方差模型设计成乘积形式： εt=vt(ht)1/2=vt(α0+α1εt-12+α2εt-22+…+αqεt-q2)1/2 其中vt为白噪声过程，σv2=1，且νt与εt-1相互独立。 称为q阶条件异方差模型，记为ARCH(q)。 二、ARCH模型 5、ARCH模型的性质——以ARCH(1)为例 (1) 序列{εt}的性质 ① εt的条件期望和无条件期望均为0，即： Eεt=Evt(α0+α1εt-12)1/2=EvtE(α0+α1εt-12)1/2=0 ②εt的所有自协方差全为0，即：