金融时间序列讲义第四章.doc

季节性数据模型 本章主要内容 掌握传统的季节性模型及其缺陷； 掌握季节性ARIMA模型的建模方法； 掌握常见的一些季节性模型。 第一节 传统的季节性模型 三角函数表示的季节性模型 三角函数表示的季节性模型的基本模式是： 其中：是振幅，是相角，利用三角公式，可以化成： （4.1） 其中，，，， 若模型中含有其它成分，模型中可以加入相应的成分。 带常数项的模型为： 带趋势项的模型为： 1.2 用哑变量表示的季节性模型 用哑变量表示的季节性模型的基本模型为： 其中，为指标变量，即 ， 若模型中含有其它成分，模型中可以加入相应的成分。 带趋势项的模型为： 上述模型在现实中还广泛应用，但它主要的一个缺点是它们假设趋势和季节性都是决定性的，但是对经济和商业数据两者都不一定正确，我们下面讨论20世纪60年代Box和Jenkins提出的改进的方法。 第二节 季节性ARIMA模型 考虑1949年1月到1960年12月国际航空公司旅客人数取对数后的月度数据，我们可以把数据按月和年用表4.1所示的二维表形式表示。 表4.1国际航空公司旅客人数取对数后的数据 月 年 1 2 3 4 5 6 7 8 9 10 11 12 1949 Z1 Z2 Z3 Z4 Z5 Z6 Z7 Z8 Z9 Z10 Z11 Z12 1950 Z13 Z14 Z15 Z16 Z17 Z18 Z19 Z20 Z21 Z22 Z23 Z24 1951 Z25 Z26 Z27 Z28 Z29 Z30 Z31 Z32 Z33 Z34 Z35 Z36 . . . 1960 Z133 Z134 Z135 Z136 Z137 Z138 Z139 Z140 Z141 Z142 Z143 Z144 利用这个表，我们能够细心观察观察值中的两种动态关系：连续月份的观察值的关系和连续年的同一个月的观测值的关系。由于不同年份的同一个月份的数据是相似的，因而很自然的考虑数据中出现的季节模式，换句话说，间隔12个时期的观察值是相关的。ARIMA(p,d,q)模型描述了连续时期（月）的观察值间的相依关系，我们同样可以用相似的模型来表示连续年份的同一月份的观察值间的时间相依关系。 2.1季节性MA模型 Or 如果是i.i.d的零均值白噪声序列，这就是以年为周期的季节性MA(1)模型，这种情况下，很容易检验它的自相关函数将是： 这正好与规则的MA(1)模型的自相关函数相一致。该模型当然能扩展成高阶的季节MA模型。 　　 2.2 季节性AR模型 类似AR模型，我们可以考虑季节性AR模型。季节性AR(1)模型为：　or 如果是i.i.d的零均值白噪声序列，这就是以年为周期的季节性MA(1)模型，这种情况下，很容易检验它的自相关函数将是： 这个模型也可看作是规则的AR(12)模型的特殊情况，也能扩展成高阶的AR模型。 2.3 乘积模型 季节性MA模型和季节AR模型的缺点是它们对连续的观察之间可能有的动态关系不起作用，然而这能够弥补。只要假设是规则的ARMA模型而不是i.i.d的零均值白噪声序列即可。 例1：乘积MA（1）模型 在季节MA(1)模型中，假设是规则的MA（1）模型，就是： ， 或： 模型的右边把常数C分开后，现在是表示成两个因子的乘积，第一个表示连续观察的动态结构，第二个表示12个时间间隔的观察间的动态结构。虽然它是一个特殊的MA（13）模型，它只包含两个参数，每一个都集中模型动态结构的一个方面。 我们可以证明它的自相关函数为： 根据它，我们可以对乘积MA(1)模型进行识别。 例2：乘积AR（1）模型 在季节AR(1)模型中，假设是规则的AR（1）模型，这里，我们采用偏差序列，就是： ， 两式相减，我们有： 或： 这就是乘积AR模型，第一个表示连续观察的动态结构，第二个表示12个时间间隔的观察间的季节性动态结构。当然这个模型能一般化成高阶模型。 例3：乘积ARIMA（0，1