第五篇 非平稳时间序列模型.ppt

LM检验 假设条件 检验统计量 检验结果 拒绝原假设 接受原假设 * * * * * * * * * * * * * * 趋势拟合效果图 二、残差自相关检验 1、检验原理 回归模型拟合充分，残差的性质 回归模型拟合得不充分，残差的性质 2、Durbin-Waston检验（DW检验） 假设条件 原假设：残差序列不存在一阶自相关性 备择假设：残差序列存在一阶自相关性 DW统计量 构造统计量 DW统计量和自相关系数的关系(大样本下) DW统计量的判定结果 正 相 关 相 关 性 待 定 不相关 相 关 性 待 定 负 相 关 0 4 2 例1 续 检验第一个确定性趋势模型 残差序列的自相关性。 例1 续 检验第二个确定性趋势模型 残差序列的自相关性。 Durbin h检验 DW统计量的缺陷 当回归因子包含延迟因变量时，残差序列的DW统计量是一个有偏统计量。在这种场合下使用DW统计量容易产生残差序列正自相关性不显著的误判 Durbin h检验 残差序列拟合 确定自回归模型的阶数 参数估计 模型检验 例1 续 拟合三个模型 1、ARIMA(0,1,1)模型 2、ARIMA(1,1,0)模型 3、确定性趋势模型 残差序列自相关图 残差序列偏自相关图 模型拟合 定阶 AR(2) 参数估计方法 极大似然估计 最终拟合模型口径 例1 第二个Auto－Regressive模型的拟合结果 三个拟合模型的比较 模型 AIC SBC ARIMA(0,1,1)模型： 6.870242 6.914229 ARIMA(1,1,0)模型： 6.9356 6.9801 Auto－Regressive模型一： 6.893758  6.982635  四、条件异方差模型 ARCH模型 GARCH模型 GARCH模型的变体 EGARCH模型 IGARCH模型 GARCH-M模型 AR-GARCH模型 ARCH模型——自回归条件异方差 模型 1982年，Engle提出，最初被成功地应用于英国通货膨胀指数的波动性研究中。随后金融学家发现该模型运用于金融时间序列，特别是用于描述金融资产的价格行为时，它的解释能力和描述能力更好，于是ARCH模型被逐渐引入金融领域并得到广泛应用，Engle也因此荣获2003年度诺贝尔经济学奖。 ARCH模型 假定在历史数据已知的情况下，零均值、纯随机残差序列具有异方差性 ：异方差函数 原理 通过构造残差平方序列的自回归模型来拟合异方差函数 ARCH(q)模型 ARCH(1)模型 模型形式： 其中， 非负，且 ARCH(1)特征： (1) (2) ARCH(q)特征 期望、方差与协方差 （1） （3） （2） 综上，ARCH(q)序列的无条件期望为 零，序列本身是无关的，其平方序列 存在自相关。当 时，存在有限 的无条件方差。 GARCH 模型 使用场合 ARCH模型实际上适用于异方差函数短期自相关过程 GARCH模型实际上适用于异方差函数长期自相关过程 该模型有Bollerslve(1985)年提出 GARCH(q,p)模型结构 模型结构 GARCH模型的约束条件 参数非负 参数有界 GARCH(1,1)模型 模型 无条件方差为 EGARCH模型（Nelson 1991年） IGARCH模型（方差无穷） 对IGARCH模型，不是宽平稳，是严平稳 GARCH-M模型 AR-GARCH模型 GARCH模型拟合步骤 回归拟合 残差自相关性检验 异方差自相关性检验 ARCH模型定阶 参数估计 正态性检验 异方差自相关检验 拉格朗日乘子（LM）检验 如果只是自回归部分有缺省系数，那么该疏系数模型可以简记为 为非零自回归系数的阶数 如果只是移动平均部分有缺省系数，那么该疏系数模型可以简记为 为非零移动平均系数的阶数 如果自相关和移动平滑部分都有缺省，可以简记为 5.2 季节模型 ※ 季节时间序列的特征 ※ 季节时间序列模型 ※ 季节模型的建立 （一） 季节时间序列 1、一个时间序列，若经过s个时间间隔后呈现出相似的特征，称该序列为季节时间序列，周期为s . 一 季节时间序列的特征 2、季节时间序列按周期的重新排列 列一个矩阵式二维表，将每一周期内相同周期点的值列在同一列上. 周期点 周期 1 2 3 4 …. s 1 X1 X2 X3 X4 … Xs 2 Xs+1 Xs+2 X