金融计量学非平稳金融时间序列模型推荐.ppt

以上处理方法很容易拓展到高阶单整序列。例如，假设 是一个I(2)过程，那么对其二次差分就可以获得平稳序列，即： 其中：“ ”表示二次差分符号。依此类推，“ ”表表示三次差分符号，而“ ”表示n次差分符号。 对于ARIMA(p,1,q) 来说， 虽然我们这里讨论的是一阶单整形式的ARIMA模型，但二阶或者其他高阶ARIMA模型可以运用类似的思路获得平稳的差分序列。概括地说，一个ARIMA(p,d,q)过程，经过d次差分后就可以获得对应的平稳过程。 5.3.2 去除趋势法 当然，如果不能确定时间趋势成分是否仅为一次幂的形式，还可以采用更一般的确定性趋势非平稳序列的模型形式，如： 。 然后可以通过OLS回归，运用“向下检验法”的原则或者信息准则法确定出 的阶数，最终获得平稳序列 的估计值即可。 5.3.3 去除趋势的方法比较 前面小节讨论了差分法和去除时间趋势法，并且认识到不同的趋势非平稳序列需要采用不同的去除趋势成分的方法。实际上，去除含有趋势成分的非平稳时间序列的方法还有很多滤波方法。常见的有HP滤波、卡尔曼滤波，以及近年来新发展起来的BK滤波和CF滤波。 图5-5 去除线性时间趋势法获得的序列 去除线性时间趋势法获得的差分序列的ACF图 图5-6 差分法获得的序列 差分法获得的序列的ACF图 本小节开始我们还提到过其他一些常用的滤波法，利用这些方法也可以获得非平稳时间序列的平稳序列成分。HP滤波就是很常用的一种。 假定一个非平稳序列 可以分解为趋势成分 和平稳成分( )，HP滤波使用下列算法来求解趋势成分 ，即最小化下列函数： (5.33) 其中:T是样本大小， 被称为惩罚系数，用来控制平稳成分( )的平滑程度,（ ）越大，该序列越平滑。 从模型(5.33)不难看出，当 时，最小化模型(5.33)的结果给出的是 , 即 序列的趋势成分等于其本身。而如果在另一极端情况 下 ，那么最小化(5.33)的结果给出的是 。 也就是说，在 情况下，趋势的变化幅度是恒定的，从而趋势成分就是一个线性时间趋势，因为 。 注意，因为模型(5.33)中的T并不影响函数最小化过程的实质性结果，所以有的教材可能会使用最小化下面的表达式来代替模型(5.33)，即： 另外，既然惩罚系数 对HP滤波的结果至关重要，在实际应用中应该如何设定它的值呢？ 已有研究表明，对于不同频率的数据，可以参考下列规则来设定 的值： 实际上，这里介绍的是传统的双侧HP滤波，在分析某些问题的过程中，可能还会使用到所谓的单侧HP滤波。单侧HP滤波的算法过程是利用卡尔曼滤波估计出以下模型中的趋势成分 ，即： (5.35) 其中： 和 是互不相关的白噪音序列。 和 二者的方差满足下列关系： (5.36) Stock和 Watson(1999)建议q的取值原则为：