(精选)金融时间序列模型第一章金融与统计基础课件.ppt

金融时间序列模型 统计基础 概率统计概念回顾 什么是随机变量 什么是随机变量的累积分布函数： F(x)=P(X≤x) 正态分布： X~N(?, ?2) 对数正态分布 如果某随机变量X取自然对数之后服从正态分布LN(X)=z~N（?z，?z2），那么该随机变量X服从对数正态分布。记为X~LNN（? z ，?z2 ）。 对数正态分布的均值： 对数正态分布的形状 分布图 对数正态分布的计算 例7：计算对数正态分布的概率 如果LN(X)~N(0,(0.1)2) 那么P(X0.9)的概率？ P(X0.9)＝ P(LN(X)LN(0.9)) P(zLN(0.9))=0.6469 统计概念回顾 随机变量的期望： ? =E(X) 随机变量的方差： ?2=E[(X- ?)2] 矩k-阶矩E(Xk),k-阶中心矩E[(X－?)k] 偏度：S=E[(X-?)3/?3] 峰度：K＝E[(X-?)4/?4] 偏度 S=0 S0 S0 均值＝中位数 均值中位数 均值中位数 峰度 K=3 K3 K3 正态分布的峰度＝3 基本的统计概念 尖峰分布主要强调分布尾部的特点。尾部厚的含义是尾部比正态分布有更大的概率。 用公式表示为：P{Yc}p{Xc}，c是一个比较小的数。Y代表尖峰分布随机变量，X代表正态分布随机变量。 意义是：如果小概率事件发生的可能性大于正态分布所描述的情形，那该变量的分布应用尖峰分布来描述。 基本的统计概念：描述统计 样本均值Mean 收益率的分布基本的统计概念 样本方差variance 收益率的分布基本的统计概念 样本偏度(Skewness) 收益率的分布基本的统计概念 样本峰度kurtosis 收益率的实证性质－日收益率 证券种类 价值加权指数 等权指数 IBM CMC 均值 标准差 偏度 峰度-3 ? 0.044% 0.89 -1.33 34.92 0.073 0.76 -0.93 26.03 0.039 1.42 -0.18 12.48 0.143 5.24 0.93 6.49 收益率的实证性质－月收益率 证券种类 价值加权指数 等权指数 IBM CMC 均值 标准差 偏度 峰度-3 ? 0.96 4.33 -0.29 2.42 1.25 5.77 0.07 4.14 0.81 6.18 -0.14 0.83 1.64 17.76 1.13 3.33 基本的统计概念 1）从描述统计可以看到日收益率的峰度远远大于月收益率的峰度。在日收益率中指数的峰度大于单个证券的峰度， 2）证券的描述统计指标市值小的股票收益率大。日收益率几乎等于0，月收益率大一些。 3）指数的标准差小于单个股票的标准差。 QQ图 把数据减去均值，除以标准差，然后计算样本分位数，标在横轴上。 计算标准正态分布的分位数标在纵轴上。 如果图形是直线，说明是正态分布。 尖峰分布的QQ图 QQ图 分位数 如果某个随机变量的累积概率分布函数 F（x）连续并且严格递增，那么存在逆函数F-1。对任意在0和1之间的数q （q对应某个概率），F-1(q)被称为与概率q对应的分位数。 用公式表示如下： P(X? F-1(q) ) = q 分位数 分位数图示 样本分位数的计算 对于一组观测值：X1,X2,…Xn: 令Pi=(i-0.5)/n Pi是一个概率值， i＝1，…n 与Pi对应的分位数是x(i) ，是把数据从小到大排列后的第i个数。表示成Q(Pi)= x(i) 例题 例8：数据为1.1 3.1 0.9 4.2 0.7 首先从小到大排列0.7 0.9 1.1 3.1 4.2 与概率Pi对应的分位数 P1=(1-0.5)/5=0.1 Q(0.1)=0.7 P2=0.3 Q(0.3)=0.9 P3=0.5 Q(0.5)=1.1 P4=0.7 Q(0.7)=3.1 P5=0.9 Q(0.9)=4.2 分位数 如何得到一个连续的曲线呢？即任何一个概率值对应的分位数是多少？ 定义PiP Pi+1 则P= Pi+a(Pi+1 - Pi ), P= (1-a) Pi+ aPi+1，其中a=(P-Pi)/(Pi+1-Pi) 那么Q(P)=(1-a)