金融计量学平稳金融时间序列AR模型推荐.ppt

图 3-12 作为最后一个示范，图3-12给出了另外一个AR（2）模型对应的自相关函数图。请读者思考，这个自相关函数图为什么会出现震荡式衰减形式？是什么因素决定了这种表现形式？如果给定一个AR（3）模型，如何绘制对应的自相互函数图呢？ 基于 AR(1)的模拟序列 3.3 二阶自回归模型（AR（2）process） 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： 图3-8 AR(2)模型生成的序列数据 3.4 p阶自回归模型（AR(p)process） 3.4.1 AR(p)过程的基本定义和性质 3.4.2 AR(p)过程的均值 3.4.3 AR（2）过程的方差和自协方差 故有： （3.77） （1）如果自回归系数 和白噪音的方差 已知，那么它们可以用来解出AR（p）过程的自协方差 。这里， 维列向量由下面 维矩阵的第一个列向量的p个值唯一确定： ? 其中： 表示 维的单位矩阵，F是在第2章中定义的 维矩阵，符号 表示“克罗内克”乘积。 3.4.4 AR(p)过程的自相关函数 ACF服从于勒-沃克等式（Yule-Walker equations ） 例子:在AR(2)过程里， 实例应用 AR（2）过程： 其特征根方程为： 图 3-9 图 3-10 需要注意，对于AR（2）模型来说，随着滞后期j的增大，自相关函数（绝对值）不一定总是单调递减的！这一点与AR（1）模型不同，因为对于平稳AR（1）模型来说，自相关函数的绝对值一定是单调递减的。 为了说明这一点，现在考虑另外一个AR（2）模型： 图 3-11 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）process） 3.3 二阶自回归模型（AR（2）process） 3.4 p阶自回归模型（AR（p）process） 3.1 基本概念 3.1.1 随机过程与数据生成过程 随机过程： 从随机概率论的概念出发，随机过程是一系列或一组随机变量的集合，用来描绘随机现象在接连不断地观测过程中的实现结果。对于每一次观测，得到一个观测到的随机变量。 如果使用数学语言来定义随机函数，给定一个时间域T，对于T中每一个参数t，都有一个取值于确定集合W的随机变量 ，其中s属于一个特定的样本区间。所以对于一个给定的t， 是一个随机变量。对于一个确定的样本s， 就是在s上的一组实现值,而集合 就是一个随机过程。 数据生成过程: 利用下面的回归模型来说明，即： 假设模型中所有系数已知或者是已经设立了的，那么给定解释变量 的一组观测值，回归模型就可以生成对应的一组 值，则模型就是一个数据生成过程。 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？ 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，