存款和金融债券业务的核算参考.ppt

开立单位存款帐户的业务流程： （二）开户与续存  1、开户 2)如果?=0，??0，则（*）式成为一带时间趋势的随机变化过程： 　　　 Xt=?+?t+?t 　　　　　　　 （***） 根据?的正负，Xt表现出明显的上升或下降趋势。这种趋势称为确定性趋势（deterministic trend）。 3) 如果?=1，??0，则Xt包含有确定性与随机性两种趋势。 因此： (1)如果检验结果表明所给时间序列有单位根，且时间变量前的参数显著为零，则该序列显示出随机性趋势; (2)如果没有单位根，且时间变量前的参数显著地异于零，则该序列显示出确定性趋势。 随机性趋势可通过差分的方法消除 例如：对式：　 　　　　　　Xt=?+Xt-1+?t 可通过差分变换为： ?Xt= ?+?t 该时间序列称为差分平稳过程（difference stationary process）； 　确定性趋势无法通过差分的方法消除，而只能通过除去趋势项消除 例如：对式： 　　　　　Xt=?+?t+?t 可通过除去?t变换为： 　　　　　Xt －?t =?+?t 该时间序列是平稳的，因此称为趋势平稳过程（trend stationary process）。 最后需要说明的是，趋势平稳过程代表了一个时间序列长期稳定的变化过程，因而用于进行长期预测则是更为可靠的。 §9.2 随机时间序列分析模型 一、时间序列模型的基本概念及其适用性 二、随机时间序列模型的平稳性条件 三、随机时间序列模型的识别 四、随机时间序列模型的估计 五、随机时间序列模型的检验 说明 经典计量经济学模型与时间序列模型 确定性时间序列模型与随机性时间序列模型 一、时间序列模型的基本概念及其适用性 1、时间序列模型的基本概念 随机时间序列模型（time series modeling）是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为: Xt=F(Xt-1, Xt-2, …, ?t) 建立具体的时间序列模型，需解决如下三个问题： (1)模型的具体形式 (2)时序变量的滞后期 (3)随机扰动项的结构 例如，取线性方程、一期滞后以及白噪声随机扰动项（ ?t =?t），模型将是一个1阶自回归过程AR(1)： Xt=?Xt-1+ ?t，这里， ?t特指一白噪声。 一般的p阶自回归过程AR(p)是 Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t (*) (2)如果?t不是一个白噪声，通常认为它是一个q阶的移动平均（moving average）过程MA(q)： ?t=?t - ?1?t-1 - ?2?t-2 - ? - ?q?t-q 该式给出了一个纯MA(q)过程（pure MA(p) process）。 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressive moving average）过程ARMA（p,q）： （2）如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么我们就可以通过该序列过去的行为来预测未来。 这也正是随机时间序列分析模型的优势所在。 经典回归模型的问题： 迄今为止，对一个时间序列Xt的变动进行解释或预测，是通过某个单方程回归模型或联立方程回归模型进行的，由于它们以因果关系为基础，且具有一定的模型结构，因此也常称为结构式模型（structural model）。 然而，如果Xt波动的主要原因可能是我们无法解释的因素，如气候、消费者偏好的变化等，则利用结构式模型来解释Xt的变动就比较困难或不可能，因为要取得相应的量化数据，并建立令人满意的回归模型是很困难的。 有时，即使能估计出一个较为满意的因果关系回归方程，但由于对某些解释变量未来值的预测本身就非常困难，甚至比预测被解释变量的未来值更困难，这时因果关系的回归模型及其预测技术就不适用了。 例如，时间序列过去是否有明显的增长趋势，如果增长趋势在过去的行为中占主导地位，能否认为它也会在未来的行为里占主导地位呢？ 或者时间序列显示出循环周期性行为，我们能否利用过去的这种行为来外推它的未来走向？ 随机时间序列分析模型，就是要通过序列过去的变化特征来预测未来的变化趋势。 使用时间序列分析模型的另一个原因在于：如果经济理论正确地阐释了