第八课题_时间序列模型.ppt

（G）ARCH模型的估计方法（最大似然估计法）： 对于AR(1)- GARCH (1,1)模型： 可以通过最大化下述对数函数来估计模型参数： X-ARCH模型的类型： 【1】GARCH-M模型 【2】TARCH模型 【3】EGARCH模型 可以分析： 【1】股市（汇市）收益波动 【2】使用TARCH与EGARCH模型度量股市（汇市）收益波动非对称性 【3】股市（汇市）波动溢出效应的研究 利用状态空间形式表示动态系统主要有两个优点： 第一，状态空间模型将不可观测的变量(状态变量)并入可观测模型并与其一起得到估计结果； 第二，状态空间模型是利用强有效的递归算法——卡尔曼滤波来估计的。卡尔曼滤波可以用来估计单变量与多变量的ARMA模型、MIMIC（多指标和多因果）模型、马尔可夫转换模型以及变参数模型。 （五）状态空间模型（TVP模型） 模型理论及方法： 详细的内容可以查询 Hamilton(1994), Harvey（1993）。 模型表示： k ? 1维向量 yt 的动态线性状态空间表示可通过下面的方程组给出： 式中，?t 为m ? 1维不可观测的状态向量，? t ,?t 是服从于零均值正态分布的扰动向量，不可观测的状态向量假定服从于一阶向量自回归过程。 将第一个方程称为“信号(Signal Equation)”或“量测 (Measurement Equation)”方程，第二个方程称为“状态(State Equation)”或“转移（Transition Equation）”方程。 扰动向量? t ,? t 的同一时刻的协方差矩阵为： Zt ，Tt ，Rt ，Ht ，Qt ，Gt 与 dt ，ct 被称为系统矩阵或向量。系统矩阵 Zt ，Tt ，Rt ，Ht ，Qt ，Gt 可以依赖于一个未知参数的集合，状态空间模型的一个主要的任务就是估计这些参数。 为了与模型中的其它参数，如 dt 或ct 相区别，这些参数将通过? 向量表示，并被称为超参数(Hyperparameters)。超参数确定了模型的随机性质，而在 dt 或ct中出现的参数仅影响确定性的可观测变量和状态的期望值。在状态空间模型中可以引入外生变量做为解释变量，也可以引入 yt 的延迟变量，这些都可以放到 dt 中去。如果dt 或ct是未知参数的一个线性函数，这些参数也可以作为超参数的一部分元素。 一阶移动平均模型MA(1)： 通过定义状态向量?t = (yt ,??t )? 可以写成状态空间形式 量测方程： 状态方程： 这种形式的特点是不存在量测方程噪声。 对于任何特殊的统计模型，状态向量?t 的定义是由结构确定的。它的元素一般包含具有实际解释意义的成分，例如趋势或季节要素。状态空间模型的目标是，所建立的状态向量?t 包含了系统在时刻 t 的所有有关信息，同时又使用尽可能少的元素。所以如果状态空间模型的状态向量具有最小维数，则称为最小实现(Minimal Realization)。对一个好的状态空间模型，最小实现是一个基本准则。然而对于任一特殊问题的状态空间模型的表示形式却不是惟一的，这一点很容易验证。 考虑通过定义一个任意的非奇异矩阵B，得到?t*=B?t ，为新的状态向量。用B矩阵左乘状态方程，得到： 式中Tt* = BTt B-1，ct* = Bct ，Rt* = BRt 。相应的量测方程是： 式中Zt* = Zt B-1 。 对二阶自回归模型AR(2)： 考虑两个可能的状态空间形式( k=1, m=2 )是