第十章金融时间序列模型.pptVIP

第十章 金融时间序列模型 10.1 常用的平稳时间序列模型 10.2 平稳时序模型的建模方法 10.3 金融时间序列波动性的刻画 10.1 常用的平稳时间序列模型 AR模型 MA模型 ARMA模型 ARIMA模型 SARIMA模型 组合ARIMA模型 10.2 平稳时序模型的建模方法 时间序列的建模要点： 1、平稳性及纯随机性的预检验 2、模型阶数的确定 3、模型参数的估计 4、模型显著性检验 非平稳数据的处理 在经济时间序列中，大部分都是非平稳的。对于非平稳时间序列，可直接构建自回归模型，此时的自回归模型是非平稳的。通常的解决办法有，1.引入相关变量并根据协整理轮构建多变量模型；2.考虑对原序列进行差分，得到差分平稳序列，再建模型。当然，这需要根据实际需要加以选择。在非平稳时间序列中，如果含有确定性因素，诸如时间趋势、周期波动、季节变动等，此时若要构建诸如ARMA类时序分析模型，可以考虑首先对时间序列确定因素成分进行提取，再对剩余因素构建平稳性时序模型。 季节效应的处理 有很多经济时间序列具有季节效应，在对此类时间序列进行建模时，要充分考虑季节效应的影响。时间序列的季节效应可以分为两种形式：确定性季节效应和随机性季节效应。所谓确定性季节效应是指季节变动因素是确定性的，而随机性季节效应是指支配季节变动的主导因素是随机的。确定性季节效应的处理办法是提取季节指数，这实质上属于对数据建模前的预处理，在利用季节指数将数据的季节效应消除后再对时间序列进行建模。随机性季节效应的处理办法有两种：一是差分法，即将时间序列进行以季节长度为步长的差分，以消除季节影响，即构建所谓的简单季节模型；二是对季节因素进行建模，直接将季节变动规律反映到模型中，即构建乘积季节模型。 各类检验方法的综合应用 在平稳性时间序列建模过程中，各类检验方法的正确使用是成功构建模型的关键。总结起来，这些检验方法帮助研究者解决了这样几个重要问题：能否建立时间序列模型；建立什么样的时间序列模型；建立的模型是否显著。 建模步骤图解 关于样本容量的要求 大样本 原因： 待估参数可能较多，会消耗很多的自由度，为保证估计结果的精确性，要求使用大样本； 对于很多经济时间序列，可能需要进行处理才能建模，例如进行差分使其平稳化或剔除季节因素，都会使得有效样本减少，在此情形下，样本容量需要足够多才能建立更优的模型； 通过建模研究分析时间序列中有规律性的因素，但时间序列中同样存在着大量的随机性因素，只有在样本容量足够大的情况下才能将有规律性的因素有效的显示出来，以便于提取刻画。 * * *