金融数学教案编写 .pptVIP

* 3. 金融时间序列简介 按照时间的顺序把随机事件变化发展的过程记录下来就构成了一个时间序列。 时间序列分析就是对时间序列进行观察、研究，寻找出序列值之间相关关系的统计规律，并拟合出适当的数学模型来描述这种规律，进而利用这个拟合模型预测序列未来的走势。 典型的时间序列模型有：AR模型,MA模型,ARMA模型，ARIMA模型， ARCH模型,GARCH模型等。 时间序列依据其特征，有以下几种表现形式，并产生与之相适应的分析方法： （1）长期趋势变化 受某种基本因素的影响，数据依时间变化时表现为一种确定倾向，它按某种规则稳步地增长或下降。 使用的分析方法有：移动平均法、指数平滑法、模型拟和法等； （2）季节性周期变化 受季节更替等因素影响，序列依一固定周期规则性的变化，又称商业循环。 采用的方法：季节指数； （3）循环变化 周期不固定的波动变化。 (4)随机性变化 由许多不确定因素引起的序列变化。它所使用的分析方法就是我们要讲的时间序列分析。 确定性变化分析 趋势变化分析 周期变化分析 循环变化分析 时间序列分析 随机性变化分析 AR、MA、ARMA模型 一. 线性模型 * 1. A R (p) 2. MA(q) 记 * 3. ARMA(p,q) 则 A R (p) MA(q) * 4. ARIMA(p,d,q)模型 记 …… ARIMA(p,q)模型定义为： * ARIMA序列建模一般有如下几个步骤： 1. 数据预处理—通过差分消除趋势项与周期项，得到平稳的差分序列；（平稳性检验，白噪声检验） 2. 对平稳的非白噪声序列拟合ARMA模型 1）利用样本自相关系数（ACF）和样本偏相关系数（PACF）选择模型及阶数； 2）估计模型中的未知参数； 3. 对残差序列进行检验，确定模型的有效性； 4. 利用拟合模型，预测序列的将来走势。 * 使用ARIMA模型拟合非平稳时间序列时，对残差有一个重要的假定，即残差序列{εt}为零均值白噪声序列。换言之， {εt}要满足如下三个条件： 方差齐性： 如果方差齐性不满足，即 这种情况被称为异方差。忽视异方差会导致残差的方差被严重低估，继而参数显著性检验容易犯纳伪错误，这使得参数的显著性检验失去意义。 为解决异方差的问题，Engle 提出了ARCH模型。 * 设随机序列{Yt}满足 其中 为弱白噪声，满足鞅差条件 且设 其中 为强白噪声。 (3.1) (3.2) 考虑Engle最初的ARCH(1)模型 二. ARCH模型及其应用 注 * (3.3)给出了模型的预测公式，(3.4)则表明模型具有时变性的波动率。 实证分析表明时变性波动率更能描述真实的股票行情变化，反映外部冲击对股市造成的影响，便于进行风险评价。 由(3.1)-(3.2)式易得，过程相邻时刻的条件均值与方差分别为 (3.3) (3.4) * ARCH(q)模型（Engle 1982) GARCH(p,q)模型(Bollerslev 1986) 三. 广义ARCH模型 GARCH-M 模型(Engle, Lilien, Robbins 1987) 满足GARCH模型 注 1. 回归拟合 2. 残差自相关性检验 3. 异方差自相关性检验 4. ARCH模型定阶 5. 参数估计 6. 正态性检验 GARCH模型拟合步骤 * 参考文献 [1]基于ARCH模型的我国股票市场收益波动性研究 [2]我国商品零售价格指数波动特征分析及对策建议 [3]基于MS-ARCH 模型的我国生猪价格波动特征检验及其与CPI变动关联性分析 [4]中国住房抵押贷款证券化信用风险的波动特征检验 [5]居民消费价格指数的ARCH模型及实证分析 [6]基于MS-ARCH模型马尔可夫链蒙特卡罗模拟方法的我国房地产价格波动特征实证分析 * 四. 时间序列的协整分析 传统的多元时间序列分析要求所研究的每个序列都是平稳的，这非常苛刻，严重限制了多元时间序列的运用和发展。1987年Granger提出了协整（cointegration)的概念。在协整理论下，并不要求响应序列和输入序列自身平稳，只要求它们的回归残差序列平稳。 协整概念的提出大大拓宽了多元时间序列分析的研究领域，协整分析成为处理非平稳时间序列相依关系的行之有效的方法。 * 协整的概念 假定自变量序列为 ，响应变量序列为