非平稳金融时间序列模型教学教案.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。 6.3.2 去除趋势法 金融计量学 张成思 * 第6章 非平稳金融时间序列模型 6.1 确定性趋势模型 6.2 随机性趋势模型 6.3 去除趋势的方法 6.1 确定性趋势模型 所谓确定性趋势，是指模型中含有明确的时间t变量，从而使得某一时序变量随着时间而明确地向上增长。 最简单的线性确定性趋势模型可以写成  (6.1) 其中表示均值为0的平稳随机变量。 对(6.1)两边同取期望，可得 (6.2) (6.2)说明，只要系数不为0，则序列的均值随时间推移而不断增大。正因为这个特点，确定性趋势模型也称为“均值非平稳”过程 图6-1 中国真实GDP 6.2 随机性趋势模型 6.2.1 随机趋势模型的基本定义 考虑AR(1)模型： 其中 代表方差为 的白噪音过程。 将模型写成： 。 如果假设初始观测值为 ，那么通过反复迭代可以得到： 这个表达式可以看成是一种随机常数项，由于每个随机扰动因子对 的条件均值的影响都是永久性的，所以这样的模型经常被称为随机趋势模型。 6.2.2 随机游走模型 实际上，模型(6.8)的形式就是一个随机游走过程。那么随机游走过程的特点有哪些呢？首先，从基本定义式可以看到，随机游走过程就是一个常数项为0并且自回归系数为1的AR（1）模型。 进一步考察随机过程的均值和方差： 根据自协方差的定义，有： 进而，可以获得自相关函数的表达式： 图6-2 随机游走过程与高持久性AR（1）比较 6.2.3 带有截距项的随机游走模型 如果现在假设模型(6.8)中增加了一个常数项，即 (6.16) 其它假设均不变。此时的模型称为带有截距项的随机游走过程 RWD的均值、方差: RWD的自协方差: RWD的自相关函数: 图6-3 带有截距项的随机游走过程 RWD的样本自相关函数 6.3 去除趋势的方法 在实际应用当中，平稳时间序列要比非平稳时间序列具有更多吸引人的特性。另外，平稳时间序列与非平稳时间序列在某些重要特性方面差异明显。 但是，含有趋势的时间序列却永远也不会回复到一个长期的固定水平。随机扰动对含有趋势的时间序列的影响将是长久的，表现出一种长期的记忆性。 如果含有趋势成分的非平稳时间序列参与到计量回归中，许多经典的回归估计假设条件将不再满足，所以就必须小心解释相应的统计检验和统计推断，有的情况下会出现所谓的“伪回归” 现象，而有的条件下需要应用协整分析方法。 一般来说，常用的去除趋势的方法有差分法和去除趋势法，前者主要针对随机趋势非平稳时间序列，而后者主要针对含有确定性趋势的非平稳时间序列。 6.3.1 差分法 差分法一般用来去除含有随机趋势的非平稳时间序列。如果从AR模型的平稳性条件来考虑，它非平稳，就是因为它的特征方程的根含有一个单位根。所以也被称为“单位根过程” ，或者“一阶单整过程” ，记做I(1)，其中“I”表示单整，“(1)”表示单整的阶数。 随机趋势非平稳过程可以通过差分法变为平稳过程。如果是I(1)，则一次差分即可实现，而对于I(2)过程，则可以通过两次差分获得平稳过程。 以随机游走过程为例，一阶差分就是指使用原过程获得一次差分项