北航金融计学第五章.ppt

第 五 章一元时间序列的分析方法及应用 主要内容 5.1 时间序列分析方法的特点与平稳性的提出 5.2 重要的时间序列 5.3 时间序列的平稳性检验 5.4 一元时间序列分析方法的应用 5.1 时间序列分析方法的特点与平稳性的提出 所谓时间序列，就是各种社会、经济、自然现象的数量指标按照时间次序排列起来的统计数据。 一元时间序列分析方法的基本原理是在解释一个变量的变化或预测其未来时，不再使用一组与之有相关关系的其他变量组成回归模型，而是依据变量本身的变化规律，让变量自身的过去值及误差项来解释。 时间序列分析分析模型分为确定性时间序列分析模型和随机时间序列分析模型两大类。 确定性时间序列分析模型 主要通过简单的外推技术，如移动平均、指数平滑等进行预测，不反映时间序列的随机性质。 平稳时间序列 1 对于任意t， （常数） 2 方差 （常数） 3 任何两个时期之间的协方差 只依赖于该两时期之间的距离。 若一时间序列变量X t平稳，其一个样本为X1，X2 ，…，XT，T为序列的样本容量，则其主要统计特性的计算方法分别为： （1）期望值 （2）方差 （3） 协方差 考虑时间序列数据的平稳性，主要有两个原因： 1 只有序列平稳，才可把根据数据推测出来的关于序列的统计特征应用于对序列未来时期变化的预测，从而为预测奠定有效的基础。 2 “虚假回归”现象：即使两个序列互相独立，在经济意义上无任何相关关系，但若两个序列非平稳，则用传统的回归方法及显著性检验时，仍可能会显示出两者在统计上有较高的相关关系。 5.2 重要的时间序列 5.2.1 白噪声过程 对于随机过程 {?t} ，如果期望为零，方差为固定值，且不同时点之间的协方差为0，则称{?t}为白噪声 。 白噪声是其他各类时间序列的重要组成部分。 5.2.2 一阶自回归过程 AR(1)：Xt=Φ1Xt-1+?t， 其中，?t为白噪声，E (?t)=0, var(?t)= 若能确定 , 即随机过程X t是平稳的AR(1)过程时, 可直接用最小二乘法, 求出系数Φ1的估计值, 并且可以应用传统的 t 检验或 F 检验. AR(1)过程可扩展为p阶自回归过程,记为AR(p). 模型表示为: X t=Φ1X t-1+ Φ2X t-2 +…+ΦpX t-p +?t 5.2.3 趋势平稳过程 许多时间序列数据，特别是宏观经济数据，常常显示出明显的时间趋势，如GNP大致随时间递增，这种趋势特征可归结为技术进步、劳动力及其素质的增长等。 非平稳过程 可见, 序列的期望值是时间t 的函数。根据定义, 序列为非平稳时间序列。之所以称之为趋势平稳，是因为模型中Xt 减掉趋势项? +?t后，是一个平稳过程。可以证明该模型满足经典回归假设，用普通最小二乘法对参数? 和? 进行回归及检验都是有效的或渐进有效的。 5.2.4 随机游走过程 非平稳过程 可见, 随机游走过程的方差随时间推移而变得越来越大。 含位移项的随机游走过程 趋势平稳过程及带位移项的随机游走过程，期望值都是时间t的函数，即序列的走势都包含了确定的时间趋势。 其背后的统计意义和经济意义不同： 对于趋势平稳过程，t时刻的干扰项只对序列值Xt 产生影响； 对于随机游走过程，则序列值Xt 除受t时刻的干扰项 ?t 影响之外，前期的干扰项都对其发生作用。 5.2.5 单位根过程 非平稳过程 单位根过程只要求干扰项为一平稳过程，不要求不同时点的协方差为0。 随机游走过程是单位根过程的一个特例。 单位根过程经过一阶差分后，为平稳序列，即单位根过程为一阶单整。如果一个序列在成为稳定序列之前必须经过d次差分，则该序列被称为d 阶单整。 [金融相关点5-1] 经济周期与冲击的持久性 5.3 时间序列的平稳性检验 5.3.1 利用自相关函数及相关图进行平稳性检验 以k为横坐标、 为纵坐标，描绘出 对阶数k的关系图形，称为样本相关图。 往往表现为k=1时对应的一阶样本自相关函数 比较高，然后随着k的增加， 下降。 对于p阶自回归过程，当k≤p时，偏相关系数不为0；当kp时，偏相关系数为0，即截尾特征。 检验时间序列是否平稳的简单办法是考察样本自相关函数的变化。 平稳时间序列的样本自相关函数随着阶数的增加而迅速下降为0，非平稳时间序列的自相关函数则衰减得十分缓慢。 可以证明，如果总体 Xt 服从标准正态分布，则k阶自相关函数的样本估计近似服从均值为0，方差为1/T的正态分布，T为时间序列的样本容量。 Box-Pierce-Q