Ch2自回归移动平均模型.pdfVIP

1Ch2 自回归移动平均模型 徐剑刚 2自回归移动平均模型 时间序列分析方法是Box and Jenkins (1970)提出 的，该法不考虑以经济或金融理论为依据的解释 变量的作用，而是依据时间序列本身的变化规 律，利用外推机制来描述时间序列。 必须注意的是，建立时间序列模型的前提是：时 间序列是平稳的。 3随机过程 由随机变量构成的一个有序序列称为随机过程，通常记 为 S是样本空间，T为序数集。 对于每个t (t∈T)，x(?, t)是样本空间S中的一个随机变 量； 对于每个s(s∈S)，x(s,?)是随机过程在序数集T中的一次实 现。一般将随机过程简称为过程，记为{xt}或xt 。 随机过程的一次观测结果称为时间序列，{xt, t∈T}用表 示。时间序列数据是所要研究变量的观测值按时间先后 顺序排列的一组数据。如果我们把1997年1月1日至2002 年12月31日间每个交易日收盘时的中信指数按时间先后 排列起来，得到了中信指数时间序列。 通常，分析的数据是等时间间隔的，从而是一个离散的 时间序列。 研究时间序列{xt}的目的，就是分析xt与其过去值{xt-1, xt- 2,…}间的动态相关性。如果用线性模型分析，意味着xt 与其过去值{xt-1, xt-2,…}存在着线性关系。 ( ){ }TtSstsx ∈∈ ,,, 4滞后算子 滞后算子“L”是这样定义的 Lxt就是时间序列{xt}在第t-1时刻的值xt-1 一个滞后算子的多项式为 其中，φ0=1，p是非负整数，为φ (L)的阶数。将φ (L)应用 于序列xt上，得 在时间序列分析中，该方程常用来分析xt与其过去值{xt-1, xt-2,…}间的动态相关性。 1?= tt xLx ∑ = ?=??= p i i i p p LLLL 1 010)( φφφφφφ ∑ = ??? ?=??= p i itittpttt xxxxxxL 1 111)( φφφφ 5滞后算子 假定c为常数，方程 称为p阶差分方程。如果c=0，那么，方程就是一个齐次 方程。如果变量xt满足差分方程(6.4)，称为方程的一个 解。 不同的φ(L)将描述xt的不同的动态行为，常用 差分方程来分析一个线性时间序列的动态结构。 cxL t =)(φ cxL t =)(φ 6平稳性 一个时间序列是随机变量按时间顺序排列的观测 值，在经济和金融的应用中，我们仅能得到的是 时间序列的一次实现，时间序列分析的目标就是 从观测到的一次实现来对过程进行推断，常用的 方法就是选择一个适当的模型来近似描述所研究 的过程。 选择一个适当的模型，就涉及到评价样本数据的 联合分布函数 其中，T是样本容量，xi是实数。通常{xt}是一个 观测序列。为了能更好地为时间序列构模，需要 限制联合分布。进一步，为了预测，还要说明过 程分布的一些关键性质，即时间不变性。 ),,Pr(),,( 1121 TTT xXxXxxxF ≤≤= 7强平稳 在时间序列分析中，时间不变性是十分有用的，最常用 的就是平稳性。 如果一个平稳过程的性质不随时间起点的变化而变化， 也就是说，对于序数集T中的任何时间子集 以及任何实数k， 称这个随机过程为强平稳过程。其中，F(?)表示n个随机 变量的联合分布函数，这意味着该平稳过程所有存在的 矩都不随时间的变化而变化。 强平稳表明了 和 的概率分布相同， 的联合分布和 的联合分布相同，…， 的联合分布和 的联合分布相 同。 ( )nttt ,..,, 21 ( ) niTkti ,...2,1, =∈+ ( ) ( )ktkttt nn xxFxxF ++= ,...,... 11 1t x ktx +1 { } 21 , tt xx { }ktkt xx ++ 21 , { } nttt xxx ,, 21 { } nttt xxx ,, 21 8m阶平稳过程 强平稳的要求苛刻，因而引入较弱的条件 如果一个平稳过程m阶以下矩(包括m阶矩)的取 值与时间无关，称随机过程为m阶平稳过程。 随机过程为m阶平稳过程并不要求 和 的概 率分布相同，仅要求这两个分布的主要特征相 同，只要求相等到m阶矩。 1t x ktx +1 9二阶平稳(弱平稳、协方差平稳） 只注重时间序列的一阶矩、二阶矩。 假设一个时间序列 ，其T个均值为E(x1), E(x2),…, E(xT)，T 个方差为Var(x1), Var(x2),…, Var(xT)，和T(T-1)/2个协方差为 Cov(xi, xj)，i≠j。 如果 均与时间t无关，称xt为二阶平稳过程，弱平稳、协方差平 稳。 如果时间序列xt的一阶矩、二阶矩具有时间不变性，那么，xt 是弱平稳的。当然，这里要求xt的一阶矩、二阶矩都存在。 强平稳意味着过程的分布与时间无关，