第讲时间序列导论分析.ppt

 时间序列分析 李守伟 Tel:Email: lswseu@126.com Office Address: 经济管理学院B301（九龙湖校区） 金融学的发展 金融理论－实证检验－新的经验证据－新的理论－实证检验 时间序列分析是统计学中的一个非常重要的分支，是以概率论与数理统计为基础、计算机应用为技术支撑，迅速发展起来的一种应用性很强的科学方法。时间序列分析在理论和经验上已经成为金融市场研究的不可缺少的部分，已是金融定量分析的主流方法之一。 通过本课程的学习，应掌握时间序列分析的基本概念、模型和应用，能对经济、金融变量时间序列数据进行处理、建立模型，以预测未来、解释经济理论或检验经济假说。 1） 能够掌握时间序列分析的基本方法； 2） 能够应用时间序列方法解决问题。 ?教学主要内容（实验课） 第1讲：时间序列分析导论 第2讲：线性时间序列分析及其应用 第3讲：非线性时间序列模型 第4讲：多元时间序列分析 第5讲：高频数据的建模与分析 第1讲：时间序列分析导论 1.1 时间序列的定义 1.2 时间序列分析方法简介 1.3 时间序列分析软件 1.4 时间序列预处理 1.1 时间序列的定义 最早的时间序列分析可以追溯到7000年前的古埃及。 古埃及人把尼罗河涨落的情况逐天记录下来，就构成所谓的时间序列。对这个时间序列长期的观察使他们发现尼罗河的涨落非常有规律。由于掌握了尼罗河泛滥的规律，使得古埃及的农业迅速发展，从而创建了埃及灿烂的史前文明。 按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。对时间序列进行观察、研究，找寻它变化发展的规律，预测它将来的走势就是时间序列分析。 在统计学研究中，有大量的数据是按时间顺序排列的，用数学方法来表示就是使用一组随机序列 表示随机事件的时间序列，简记为 或 观测值序列: 随机序列的n个有序观测值，称之为序列长度为n的观测值序列 随机序列和观测值序列的关系 观测值序列是随机序列的一个实现； 我们研究的目的是想揭示随机序列的性质，实现的手段都是通过观测值序列的性质进行推断。 注： 对于时间序列问题，数据的时间顺序是至关重要的，时间序列的一个显著的特征就是记录的相依性； 一般来说，对于任意时间t，Xt是一个随机变量，且每个随机变量所服从的分布可以不同； 数据的收集时间间隔可以是秒、分、小时、天、周、月、年等。 1.2 时间序列分析方法简介 时间序列分析依赖于不同地应用背景，有着不同的目的 分析的基本任务是揭示支配观测到的时间序列的随机规律，通过所了解的这个随机规律，我们可以理解所要考虑的动态系统，预报未来的事件，并且通过干预来控制将来事件。上述即为时间序列分析的三个目的。 时间序列分析早期的研究分为： 频域（Frequency Domain）分析方法。原理：假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动 。早期的频域分析方法借助富里埃分析从频率的角度揭示时间序列的规律。后来借助了傅里叶变换，用正弦、余弦项之和来逼近某个函数。20世纪60年代，引入最大熵谱估计理论，进入现代谱分析阶段。 时域（Time Domain）分析方法。时域分析方法的基本思想是源于事件的发展通常都具有一定的惯性，这种惯性使用统计语言来描述即为序列之间的相关关系，而这种相关关系具有一定的统计性质，时域分析的重点就是寻找这种统计规律，并且拟合适当的数学模型来描述这种规律，进而利用这个拟合模型来预测序列未来的走势。 两种方法比较 由于谱分析过程一般都比较复杂，其分析结果也比较抽象，不易于进行直观解释，所以其使用具有较大的局限性； 相对于频域分析方法，时域分析方法具有比较系统的统计学理论基础，操作过程规范，分析结果易于解释。 时域分析方法的分析步骤 考察观察值序列的特征 根据序列的特征选择适当的拟合模型 根据序列的观察数据确定模型的口径 检验模型，优化模型 利用拟合好的模型来推断序列其它的统计性质或预测序列将来的发展 时域分析方法的发展过程 基础阶段 核心阶段 完善阶段 基础阶段 G.U.Yule 1927年，AR模型（自回归模型） G.T.Walker 1931年，MA模型（移动平均模型），ARMA模型（自回归移动平均模型） 核心阶段 G.E.P.Box和 G.M.Jenkins 1970年，出版《Time Series Analysis Forecasting and Control》 提出ARIMA模型（自回归求和移动平均模型）