第十二讲平稳时间序列分析.pptVIP

时间序列回归 平稳时间序列 非平稳时间序列 利用回归模型进行预测 时间序列 几个时间序列的例子 从第4个图可以看出：股指日收益率在某一段时间内剧烈波动，而在另一段时间内又风平浪静。从理论上，这可以抽象为，当本期或过去若干期的波动（方差）较大时，未来几期的波动（方差）很可能也较大；反之亦然。换言之，方差大的观测值似乎集聚在一起，而方差小的观测值似乎也集聚在一起。这被称为“波动集群”（volatility clustering）或“扎堆”。 时间序列数据的这种特殊的异方差现象，被称为“自回归条件异方差”(ARCH) 。Bollerslev (1986)对ARCH 进行了推广，创建了GARCH模型。 金融时间序列的特点是“波动性集聚”。大幅的波动跟随大幅的波动，小幅的波动跟随小幅的波动。由于ARCH 模型存在方差的波动性，因此给投资者提供了套利空间。 滞后、一阶差分、对数和增长率 时间序列变量 Y在时间t上的观测值为Yt ，总观测次数记为T。即观测t和观测t+1之间的时间段为时间的单位，如周、月、季度、年。 滞后： Yt的前一期值称为一阶滞后值，记为Yt-1。其j阶滞后值为j期前的取值，为Yt-j。类似的，Yt+1表示未来一期的Y值。 一阶差分： t-1期和t期间Y值的变化为： Yt-Yt-1；这个变化称为变量Yt的一阶差分。 通常我们先计算经济时间序列的对数或对数变化后再来分析它们。这么做的一个理由是许多经济序列，如国内生产总值，具有近似指数的增长速度，即序列长期而言趋向于平均每年以一定的百分率增长。因此，序列的对数具有近似于线性的增长速度。 自相关 自回归 自回归模型用于考察某一个经济变量随时间变化的趋趋势，如通货膨胀率、GDP的增长趋势等。它的特点是仅有一个变量，一般将该变量的t期的值作为被解释变量，解释变量为该变量的滞后项。 一个典型的自回归模型： 一阶自回归模型 AR(1) 自回归模型经常用于经济预测 均方预测误差 在通货膨胀中的应用 假设预测是在2005年第一季度之前做的，过了2005年第一季度做一下验证。 p阶自回归模型 AR(1)模型利用Yt-1预测Yt，但这么做忽略了较远的过去值中的潜在有用信息。因此我们引入AR(p)。 AR(p)模型的预测和误差项性质 自回归分布滞后模型(ADL) “自回归”：因变量的滞后值当作解释变量。 “分布滞后”：回归中也包含了其他预测变量的多个滞后值(“分布滞后”)。 如果解释变量包含因变量Yt的p阶滞后和其他预测变量Xt的q阶滞后，该自回归分布滞后模型称为ADL(p, q)。 利用历史失业率预测通货膨胀变化 短期Phillips曲线：较高的失业率通常伴随着未来通货膨胀率的下降。 例如，1982年的平均失业率为9. 7%，下一年通货膨胀率下降了2. 9%，二者的相关系数为-0.36。 我们可以建立一个ADL(4,1)模型： 考虑到多阶滞后失业率可能会对模型更有帮助，因此我们再加入失业率的其他三个滞后项后，建立一个ADL(4,4)模型： 平稳性时间序列 平稳性时间序列的条件 包含多个预测变量的时间序列回归 时间序列回归模型的假设 假定1：意味着扰动项ut与所有解释变量的整个历史全部无关。这保证了模型对滞后期数 (p，q1，…qk) 的设定是正确的。如果滞后期数的设定不正确，比如，真实模型还应该包括 yt-(p+1) ，但该项βp+1 yt-(p+1) 却被纳入扰动项ut中，则扰动项ut便与解释变量相关，导致OLS 不一致。 这个假设推广了AR和ADL模型中的假设。 假定2： ①部分为数据是从平稳分布中抽取的，所有t期数据分相同。即时间序列的每个时点都服从.i.i.d假设中的“同分布”部分，如果经济时间序列是非平稳的，则时间序列回归中会出现一系列问题：如预测有偏、预测是无效的(基于相同数据的其他预测方差更小)，或基于OLS的常规统计推断(例如，通过比较OLS t统计量与1. 96进行检验)是有误的。 ②部分要求当间隔时间较长时随机变量是独立分布的。这个假设有时称为弱相关。 Granger因果检验 经济学中常常要确定因果关系究竟是从x 到y，还是从y 到x，还是双向因果关系。 Clive Granger 提出的检验方法基于以下思想： 如果x 是y 的因，但y 不是x 的因，则x 的过去值可以帮助预测y 的未来值，但y 的过去值却不能帮助预测x 的未来值。 预测的不确定性和预测区间 预测误差由两部分组成，即回归系数估计产生的不确定性和ut未来值未知产生的不确定性。当回归系数很少而观测值很多时，由未来ut引起的不确定性要比系数估计引起的不确定性大得多。但一般来说这两个不确定性来源都很重要，因此下面我们将推导包含这两部分不确定性的RMSFPE表