平稳金融时间序列AR模型文件材料.pptVIP

3.2.5 一阶自回归系数 的影响 下面利用实际例子进一步演示自回归系数 取值不同对自相关系数以及 序列动态走势的影响。 图3.5 AR（1）过程的自相关函数图 图3.6 AR（1）模型的自相关函数图 图3.7（a) 图3.7（b) 图3.7（c） 图3.7（d） 3.3 二阶自回归模型:AR（2） 3.3.1 AR（2）过程的基本定义和性质 3.3.2 AR（2）过程的均值 3.3.3 AR(2)的方差、自协方差与自相关函数 因此， 又因为自相关函数具有以下性质 可得自相关函数在前2期的解析表达式 进而可推导出平稳AR（2）模型的方差解析表达式： 金融计量学 张成思 * 第三章 平稳金融时间序列：AR模型 3.1 基本概念 3.2 一阶自回归模型 AR（1） 3.3 二阶自回归模型 AR（2） 3.4 p阶自回归模型 AR（p） DGP适用于理论上的问题与真实世界的事例之间的比较。 例如:中国国际股票指数和随机游走过程看上去相似吗？股票的收益率序列符合白噪音过程吗？ 图3.1 数据生成过程（右侧坐标）与现实中的金融随机变量 图3.1 数据生成过程（右侧坐标）与现实中的金融随机变量 3.1.2 自协方差与自相关函数 假定 是一个随机变量，自协方差定义的是 与其自身滞后期之间的协方差，即“自身的协方差”。常见的协方差的基本定义是： 其中： 表示期望。从而可以知道， 与其自身滞后j期 之间的协方差定义为： 对于均值保持不变的随机过程来说， 时，即为方差： 随机变量x和y的相关系数模型为： 自相关函数，即 与 的自相关函数定义为： 一般将 相对于滞后期数j绘制出的图示称为自相关图。 3.1.3 弱平稳与严平稳的定义 弱平稳（weakly stationarity）有时也叫协方差平稳（covariance-stationarity） 或二阶平稳（ second-order stationarity)。 严平稳的定义： 如果对于任何 ，随机变量的集合 只依赖于不同期之间的间隔距离 而不依赖于时间t，那么这样的集合称为严格平稳过程或简称为严平稳过程，对应的随机变量称为严平稳随机变量。 3.1.4 白噪音过程（white noise process） 一个随机过程如被称为白噪音过程，则组成该过程的所有随机序列彼此互相独立，并且均值为0，方差为恒定不变值。 即对于所有时间t， 如果满足下列条件 (i) (ii) (iii) 则 是白噪音过程。 图3.3 白噪音过程的自相关图 对于白噪音过程，总有如下等式成立： ? ? 以及 白噪音过程中的观测值彼此之间互相独立，白噪音过程不能由其以前的信息来预测，至少从线性角度看是这样的。 如果一个白噪音过程还满足正态分布的条件，即服从正态分布，这样的过程称为高斯白噪音过程。例如： 就是一个典型的样本为T的白噪音过程。 3.2 一阶自回归模型:AR（1） 3.2.1 AR（1）过程的基本定义和性质 AR（1）模型可以写成： 3.2.2 AR（1）过程的均值 3.2.3 AR（1）过程的方差 平稳序列的观测值表现出一种向其均值水平回复的特征，这种特征在金融时间序列分析中称“均值回复”，对应的英文名词是“mean-reverting”。 图3.4 AR（1）模拟生成的序列图与相关统计量 (a) 样本=30 图3.4 AR（1）模拟生成的序列图与相关统计量 (b) 样本=1000 随着样本的增大，样本均值和方差与理论上的真实值会越来越接近。通过比较图3.4中不同样本数据对应的样本均值和方差可以看出，只有30个观测