11级金融工程6.pptVIP

平稳序列的形式 单位根检验（H0:为单位根序列） 平稳性的检验方法： 其中 时间序列 如果是平稳的，它通常被认为是自回归移动平均（ARMA）模型： 是白噪音序列 滞后算子的形式为： 平稳序列的形式 滞后算子的形式为： 方程 的根都落在单位圆之外 稳定性条件： ARMA过程的平稳性完全取决于自回归参数 ，而与移动平均参数 无关。 存在： * * * * * * 平稳时间序列 时间序列数据 对一个随机变量（Z）的多次独立抽样（观察）所形成的数据集合 时间序列数据 时间序列数据 截面数据 抽样的时间大致相近，样本值之间相互独立，先后次序可以颠倒 一列随机变量按时间次序排列，就形成一个时间序列 一般来说，样本值之间相互有关系，先后次序不可以颠倒 时间序列数据不同于截面数据存在重复抽样的情况，每个时点，对某一随机变量进行惟一的取样，这个过程是不可重复的。 平稳时间序列 经济时间序列不同于横截面数据存在重复抽样的情况，它是一个随机事件的惟一记录。 如果随机过程的均值和方差、自协方差都不取决于 t，则称{yt}是协方差平稳的或弱平稳的： 对所有的 t 对所有的 t 对所有的 t 和 s注意，如果一个随机过程是弱平稳的，则 yt 与 yt-s 之间的协方差仅取决于s ，即仅与观测值之间的间隔长度s有关，而与时期t 无关。一般所说的“平稳性”含义就是上述的弱平稳定义。 如中国1980年～2004年的进出口总额是惟一的实际发生的历史记录。从经济的角度看，这个过程是不可重复的。 时间序列的（弱）平稳 时间序列的均值和方差、自协方差都不取决于 t 弱平稳 1949年——1998年北京市每年最高气温序列的平稳性 检验平稳性 单位根检验（H0:为单位根序列） 平稳性的检验方法： 对于时间序列数据建模，首先检验其平稳性的 时间序列单位根检验 VAR模型估计 不平稳 协整关系检验 协整 VAR模型估计 平稳 注意：上面的步骤仅仅是数学上可行，建模时要着重考虑其经济背景。 冲击响应 数据平稳化的方法 取对数： 针对非平稳序列 差分： 对数差分： series dlp=lp-lp(-1) series lp=log(potent) series dp=potent-potent(-1) HP滤波→VAR （向量自回归）→冲击响应 DSGE（动态随机一般均衡）模型（包括RBC真实经济周期模型） 平稳序列的类型 白噪声序列 满足如下两条性质： ——　最简单的平稳序列 q 阶移动平均模型——MA(q) p 阶自回归模型——AR(p) MA模型和AR模型的组合—— ARMA(p,q) q=0时， 即为 AR(p) p=0时， 即为 MA(q) p=0且q=0时， 即为 白噪声序列 移动平均模型 MA(q)的构造 参数 ? 为常数；参数?1 , ?2 ,…, ?q 是 q 阶移动平均模型的系数 q 阶移动平均模型——MA(q) ，满足下面的方程： ——白噪声序列 MA（q）序列的平稳性 ——白噪声序列 MA（q）序列无条件平稳 MA（∞）序列的平稳性 ——白噪声序列 MA（∞）序列有条件平稳： 级数收敛 绝对可加 自回归模型 AR(p)的构造 参数 c 为常数；?1 , ?2 ,…, ?p 是p阶自回归模型的系数； p 阶自回归模型——AR(p)，满足下面的方程： ——白噪声序列 AR(1)序列的图像 AR(1)的平稳性 白噪声序列 时，AR(1)序列平稳 平稳性判别： AR(1)序列的截距项 白噪声序列 AR（1）的截距项不重要 AR(1)序列的动态乘数和IRF 动态乘数： 脉冲响应函数（Impulse Response Function）：t期一个单位的随机扰动，对未来各期序列值的影响 AR(p)的平稳性 p 阶自回归序列——AR(p)，满足下面的方程： ——白噪声序列。 平稳条件：滞后多项式的根均在单位圆以外。 平稳 在单位圆以外 AR(2)序列 平稳 ARMA(p,q)模型 MA模型和AR模型的组合—— ARMA(p,q)当 p=0 时，ARMA(0, q) = MA(q) 当q = 0时，ARMA(p, 0) = AR(p) 平稳条件：滞后多项式的根均在单位圆以外。 ＡＲＭＡ（p,q) 模型参数的估计 模型 ：arma(2,5) dlpatent ar(1) ar(2) ma(1) ma(2) ma(3) ma(4) ma(5) Quick/estimate equation ＡＲＭＡ（p,q) 模型参数的预测 模型 ：arma(4,7) expand 2011 2015 forecast 结果序列 ：dlpatentf