FIN线性ARMA模型.ppt

金融时间序列模型 平稳线性ARMA模型 基本概念 随机过程stochastic process 设T是某个集合，俗称足标集，对任意固定t?T，Yt是随机变量， t?T的全体{ Yt ；t?T }称为T上的随机函数。记为{ Yt } 对每个固定的t，Yt是随机变量。 通常T取为： 1） T=[-?, ?], T=[0, ?] 2) T=…-2,-1,0,1,2,… T=1,2,3,… 基本概念 随机过程的样本Sample或实现Realization Y1, Y2, Y3, …Yn, y11, y12, y13, …y1n y21, y22, y23, …y2n 记为{ yt } 基本概念 均值函数mean function{?t} 自协方差函数autocovariance function： {?st} 自相关函数autocorrelation function： {?st} 基本概念 平稳随机过程 （weakly stationary, covariance stationary ,second order stationary） 如果随机序列二阶矩有界，并且满足以下条件 （1）对任意整数t，E(Yt)= ?，?为常数； （2）对任意整数t和s，自协方差函数?ts仅与t -s有关，同个别时刻t和s无关。即?ts=?t-s=?k 平稳时间序列 几个重要的平稳过程和模型 白噪声过程 MA过程 AR过程 ARMA过程 平稳过程的参数 自协方差和自相关函数 偏自相关函数 白噪声过程white noise process 随机过程满足 1）E(?t)=0 ， 对所有t 2）E(?t2)=?2 对所有t 3）E(?t?s)=0, 对任意t?s，或Cov(?t, ?s)=0 弱白噪声随机过程（Weakly white noise process），简称白噪声。记为{?t}~WN(0, ?2) 白噪声过程 4）不同时刻随机变量是相互独立的随机变量，并且同分布 称为独立白噪声，记为{?t}~I.I.D(0, ?2) 如果再增加一个条件 5）服从正态分布 该过程为高斯白噪声（Gaussian white noise process）。 随机过程基本概念fundamental concepts Yt－1称为一阶滞后变量，这个变量t时刻的取值等于变量Yt在t-1时刻的值。 Yt－j称为j阶滞后变量，这个变量t时刻的取值等于变量Yt在t-j时刻的值。 Yt –Yt－1称为一阶差分(first difference)，用? Yt表示 滞后变量与一阶差分 date t yt yt-1 ?yt 1999：09 1 0.8 - - 1999：10 2 1.3 0.8 1.3-0.8=0.5 1999：11 3 -0.9 1.3 -0.9-1.3=-2.2 1999：12 4 0.2 -0.9 0.2--0.9=1.1 2000：01 5 -1.7 0.2 -1.7-0.2=-1.9 2000：02 6 2.3 -1.7 2.3--1.7=4.0 2000：03 7 0.1 2.3 0.1-2.3=-2.2 2000：04 8 0.0 0.1 0.0-0.1=-0.1 . . . . . . . . . . . . 滑动平均模型Moving Average Model 1-阶滑动平均模型 MA模型 ?和?为参数或系数。 表达式1，是1－阶滑动平均模型，满足模型的随机过程{Yt}是1-阶滑动平均过程。用模型与过程都用MA（1）表示 例如Yt=0.1+?t＋0.3 ?t－1 MA(1) 另一种表达方式 是一个只包括常数项的回归模型，但残差存在自相关。容易知道MA(1)存在一阶自相关。 q-阶滑动平均模型 定义 q-阶滑动平均过程 称?和?i, i=1,2,…q为参数或系数。 表达式2，是q－阶滑动平均模型，{Yt}是q -阶滑动平均过程。 用MA（q）表示。 注：?q?0 q-阶滑动平均模型和过程 下面是几个MA模型 Yt=0.1+?t＋0.2 ?t－1 ＋0.1 ?t－2 Yt=0.1+?t＋0.3 ?t－1 ＋ 0.21 ?t－2 －0.1 ?t－3 Yt=0.1+?t＋0.3 ?t－4