第讲非线性时间序列模型分析.ppt

3.1 一般非线性时间序列模型介绍 在非线性时间序列分析中，选择合适的非线性模型是首要工作。一般的非线性模型有如下形式： 其中， 为满足某些解析条件的非线性函数， 为白噪声序列。 一些特殊的非线性时间序列模型 （1）双线性模型 其中， 为非负整数， 为白噪声序列。 注：当所有 都为零时，上式表示的就是ARMA(p,q)模型。因 此双线性模型就是在ARMA模型基础上添加了表现非线性特征 的 乘积交叉项。 考虑如下简单的双线性模型 上述模型可以看作是自回归系数为 的AR(1)模型，只 是此时的自回归系数比较特殊，是个随机变量。 （2）可加非线性自回归模型 其中， 为常数， 为 个一元非参 数型的未知函数， 为白噪声序列。 （3）函数系数自回归模型 其中， 为常数， 为 个一元非参数型的未知 函数， 为白噪声序列。 3.2 条件异方差模型 在自回归移动平均模型中，我们主要讨论平稳时间序列的建模问题，由于针对平稳序列，实际上假定任一时点的随机误差项的期望值是相同的，一般为0，同时假定任一随机误差项平方的期望值就是随机误差的方差，即同方差。 但是在金融市场上，金融资产报酬序列具有这样的特性，大的报酬紧连着大的报酬，小的报酬紧连着小的报酬，称为波动集群性(Mandelbrot,1963、Fama,1965)。波动集群性表明报酬波动是时变的，表明是异方差。 异方差虽然不会影响回归系数的最小二乘估计的无偏性，但是将影响到回归系数估计的标准差和置信区间。 ARCH模型主要的优点 ARCH模型突破了传统时间序列模型中同方差的假设并更好地与金融实际相结合： （1）ARCH模型条件方差表达成过去干扰项的回归函数形式，这种形式恰好能反映金融市场波动集聚性特点，即较大幅度的波动后紧接着较大幅度的波动，较小幅度的波动后紧接着较小幅度的波动； （2）ARCH能描述金融市场上资产收益率变量的厚尾性； （3）序列存在ARCH效应时，直接用最小二乘法估计参数会产生偏差，使用ARCH模型可以在一定程度上避免此偏差，提高参数的估计精度，提高预测精度。 ARCH模型主要的缺陷： （1）在实际应用中为得到更好的拟合效果常常需要很大的阶数q，此增大的计算量； （2）条件方差假设为线性函数，而现实中线性情况只是特例。 GARCH模型 若在干扰项 本期条件方差 的决定模型中引入条件方差本身的滞后 值，如 ，便得到最简单的GARCH（1,1）模型，即： 模型中给出的条件方差方程是下面三项的函数： （1）常数项： （2）用均值方程的残差平方的一阶滞后量来度量从前期得到的波动性的信息： （ARCH项）。 （3）上一期的预测方差： （GARCH项）。 进一步扩展，GARCH(p,q)模型是指： 即模型中有条件方差的p阶滞后和误差平方项的q阶滞后。相对于ARCH模型，GARCH模型的优点在于：可以用低阶的GARCH模型来代表高阶的ARCH模型，从而使得模型的识别和 估计都变得比较容易。 除了上述GARCH模型之外，ARCH模型主要还有一些一些推广形式： （1） ARCH-M模型：描述资产预期收益与预期风险的关联； （2） TARCH和EGARCH模型：都可以用来描述信息非对称性。 ARCH类模型分析检验的一般步骤 ARCH族模型分析一般包括如下五个主要步骤： 第一步，考察时间序列的统计特征。 检验序列值 的均值、方差、峰度（描述分布形态的陡缓程度， 尾部的厚度）、偏度（相对于均值不对称程度）及Jarque-Bera（ 正态分布检验）等指标，从而分析其正态性。如果序列显示出高峰 厚尾的分布特征（如序列呈偏态、峰度系数大于3）、 Jarque- Bera统计量显示其具有非正态性，则可初步表明，序列可能存在 ARCH现象。 第二步，序列平稳性检验 只有时间序列是平稳的，即其随机特征不随时间变化，那么我们才 可以利用经典线形回归方法来对其进行接下来的研究。在此部