金融时间序列分析（第三版）课后答案.doc

2.2 解： （1）因为 是若平稳序列 所以= 即=0.0125 （2）因为 , =1 故=0.2, =0.04 （3）=,其中为向前一步预测误差,h=100, =0.02*0.02 同理 故向前一步和两步的标准差分别为0.02和0.020004 2.4 解： 代码： w=read.table("m-deciles08.txt") decile2=w[,3];decile10=w[,5] Box.test(decile2,lag=12,type="Ljung") Box-Ljung test data: decile2 X-squared = 55.7363, df = 12, p-value = 1.335e-07, 从中可以看出拒绝原假设，即拒绝decile2前十二个间隔的自相关系数都为0 Box.test(decile10,lag=12,type="Ljung") Box-Ljung test data: decile10 X-squared = 10.6872, df = 12, p-value = 0.5559， 因为P值大于0.5，不能拒绝原假设，即可认为Decile10前十二阶无序列自相关。 b，decile2timeseris=ts(decile2,frequency=12,start=c(1970,1)) plot(decile2timeseris) points(decile2timeseris,pch="*") 从图中我们可以看出样本几乎是平稳的，我们对其做检验 library(fUnitRoots) adfTest(decile2timeseris,lags=12,type=c("c")) ##############平稳性检验 Title: Augmented Dickey-Fuller Test Test Results: PARAMETER: Lag Order: 12 STATISTIC: Dickey-Fuller: -4.8996 P VALUE: 0.01 从中可以看出无法拒绝原假设平稳性的假定 acf(decile2timeseris,lag.max=36) pacf(decile2timeseris,lag.max=36) 从自相关函数来看在间隔36,24,12以及1处显著不为0，如果接受季节性ARMA模型， m2=arima(decile2timeseris,order=c(1,0,0),seasonal=list(order=c(1,0,1),period=12)) ##########结果如下 Series: decile2timeseris ARIMA(1,0,0)(1,0,1)[12] with non-zero mean Coefficients: ar1 sar1 sma1 intercept 0.1981 0.9891 -0.9389 0.0093 s.e. 0.0454 0.0129 0.0392 0.0090 sigma^2 estimated as 0.003684: log likelihood=643.14 AIC=-1276.28 AICc=-1276.15 BIC=-1255.54 因此ARMA模型可以写成 对残差进行检验看是否存在自相关 Box.test(m2$residuals,lag=20,type='Ljung') Box-Ljung test data: m2$residuals X-squared = 23.0335, df = 20, p-value = 0.2872 从结果来看，无法拒绝残差无自相关的假设，因此可以认为该模型较好。 （c），library("forecast") m2forecast=forecast.Arima(m2,h=12) Forecasts: Point Forecast Lo 80 Hi 80 Lo 95 Hi 95 Jan 2009 0.048797473 -00-00.1677818 Dec 2009 0.012749089 -00-00.1341385 向前一步预测值为 0.048797473，向前十二步预测值为0.012749089。 2.6 代码： w=read.table("power6.txt") wtimeseries=ts(w) plot(wtimeserie