时序第3讲：非线性时间序列模型(再修改版)剖析.pptVIP

第二步，序列平稳性检验 只有时间序列是平稳的，即其随机特征不随时间变化，那么我们才 可以利用经典线形回归方法来对其进行接下来的研究。在此部分采用 ADF来对平稳性进行检验。如果ADF统计量小于相应的临界值，则序列是 平稳的。如果ADF统计量大于相应的临界值，则表明序列非平稳。 第三步，确定均值方程，正式检验残差序列是否确实存在自回归条 件异方差。 在对序列 进行ADF检验，验证其为平稳序列后，用其前期值 的自回归模型表示均值方程，即： 其滞后阶数p可用自相关函数、偏自相关函数来确定，各参数 可 以用最小二乘法（OLS）求得。 可以通过ARCH-LM检验考察 是否存在ARCH现象。 该方法是对残差平方 按如下方程进行回归： 进而得到回归可决系数R2。可以证明TR2服从 ，其中T为观察值的个数。故若TR2大于一定显著性水平 下的临界值 ，则拒绝零假设H0 ： ，说明存在ARCH现象。 第四步，应用ARCH模型族里的适当模型进行分析。 若存在自回归条件异方差象，则可以在所得到均值方程的基础上， 选择适当的ARCH或GARCH类模型，对序列值的变化规律进行分析， 同时也可以对原均值方程进行是适当修订。 第五步，走势的预测。 如果认为模型设定的比较充分，就可用来预测。 其他模型 注：以下模型将条件方差简记为 求和GARCH模型 GARCH-M模型 指数GARCH模型 门限GARCH模型 第3讲：非线性时间序列模型 3.1 一般非线性时间序列模型介绍 3.2 条件异方差模型 3.1 一般非线性时间序列模型介绍 在非线性时间序列分析中，选择合适的非线性模型是首要工作。一般的非线性模型有如下形式： 其中， 为满足某些解析条件的非线性函数， 为白噪声序列。 一些特殊的非线性时间序列模型 （1）双线性模型 其中， 为非负整数， 为白噪声序列。 注：当所有 都为零时，上式表示的就是ARMA(p,q)模型。因 此双线性模型就是在ARMA模型基础上添加了表现非线性特征 的 乘积交叉项。 考虑如下简单的双线性模型 上述模型可以看作是自回归系数为 的AR(1)模型，只 是此时的自回归系数比较特殊，是个随机变量。 （2）可加非线性自回归模型 其中， 为常数， 为 个一元非参 数型的未知函数， 为白噪声序列。 （3）函数系数自回归模型 其中， 为常数， 为 个一元非参数型的未知 函数， 为白噪声序列。 3.2 条件异方差模型 在自回归移动平均模型中，我们主要讨论平稳时间序列的建模问题，由于针对平稳序列，实际上假定任一时点的随机误差项的期望值是相同的，一般为0，同时假定任一随机误差项平方的期望值就是随机误差的方差，即同方差。 但是在金融市场上，金融资产报酬序列具有这样的特性，大的报酬紧连着大的报酬，小的报酬紧连着小的报酬，称为波动集群性(Mandelbrot,1963、Fama,1965)。波动集群性表明报酬波动是时变的，表明是异方差。 异方差虽然不会影响回归系数的最小二乘估计的无偏性，但是将影响到回归系数估计的标准差和置信区间。 图1 收益绝对值序列 (1995-2000年日元兑美元汇率) 这种序列的特征是（1）过程的方差不仅随时间变化，而且有时变化得很激烈（异方差）；（2）按时间观察，表现出“波动集群”（volatility clustering）特征，即方差在一定时段中比较小，而在另一时段中比较大。（3）从取值的分布看表现的则是“高峰厚尾”（leptokurtosis and fat-tail）特征，即均值附近与尾区的概率值比正态分布大，而其余区域的概率比正态分布小。图2给出高峰厚尾分布示意图。 图2 高峰厚尾分布示意图 Intel公司股票对数收益率 波动率研究的基本思想是，序列不相关或低阶序列相关，但它是相依序列。 波动率模型就是试图去刻画序列的这种相依性。 波动率模型包括Engle(1982)提出的自回归条件异方差(ARCH)模型，Bollerslev(1986)提出的推广的自回归条件异方差模型(GARCH),Nelson(1991)提出的指数GARCH模型(EGARCH),Tsay(1