长记忆时间序列模型及应用.pptVIP

长记忆时间序列模型及应用 王明进 博士 北京大学光华管理学院 商务统计与经济计量系 教授 金融风险管理中心 主任 2010年6月 主要内容 ARMA模型的回顾； 长记忆的概念； 长记忆的检验方法； ARFIMA模型； 一些应用； 1. ARMA模型的回顾 时间序列研究的主要任务 描述时间序列中的动态（Dynamic）关联性，用于理解其变化的规律或对其进行预测； 自相关性（autocorrelation）的刻画 ARMA模型的形式 ARMA(p,q)模型 其中 是白噪声 ARMA模型的平稳性条件 如果 ，那么ARMA模型定义了唯一的二阶平稳解 ARMA模型的可逆性条件 如果 ，那么ARMA模型能够唯一地表达成如下的无穷阶自回归模型的形式 ARMA模型的自相关特征 任何一个平稳的ARMA模型的自相关函数都是呈指数递减的，即 因此自相关函数绝对可和， 平稳过程的谱函数 谱密度函数是定义在 上的偶函数且满足 如果自协方差函数绝对可加， ARMA模型的谱密度函数 于是 ARMA模型的估计 条件极大似然估计； 极大似然估计； 最小二乘估计； 单位根过程 如果 ，那么 称为单位根过程，此时为非平稳过程。 比如如下的I(1)过程： 单位根的检验 Augmented Dickey-Fuller(ADF)检验(Said Dickey 1981); Phillips-Perron(PP)检验(Phillips Perron 1988)； Perron-Ng (PN)检验(Perron Ng 1996)； Kwitkowski-Phillips-Schmidt-Shin（KPSS）检验 (Kwitkowski et al. 1992)； 上证指数日全距序列  （1997.01.03-2010.06.18) 取对数之后的全距序列 单位根检验的结果 自相关函数图形 估计的谱密度函数 估计的ARMA模型 经过模型选择阶数得到 ARMA(1,1)残差的Box-Ljung检验 2. 长记忆的概念 基于自相关函数的定义 如果存在常数 ，使得 此时自相关函数不再绝对可和， 基于谱函数的定义 如果存在常数 ，使得 基于自相关函数和基于谱函数的定义是等价的。 短程关联和长程关联* 强相合过程（strong mixing）被称为短程关联（short range dependency）过程(Rosenblatt 1956); 不满足强相合性的过程称为长程关联（long range dependency）过程(Lo 1991, Guegan 2005) 长记忆过程属于这里的长程关联过程。 3. 长记忆的检验 重新标度极差统计量 重新标度极差（rescaled-range）统计量 其中 重新标度极差统计量的性质 对于短期关联过程， 对于长记忆过程， 其中 称为Hurst指数 R/S 分析 在 对 的散点图上，短期记忆过程的点应分布在斜率1/2的直线附件，长记忆过程的点对应的直线斜率大于1/2. 根据回归方法得到对Hurst指数的估计。 对对数全距序列的R/S分析 R/S分析方法的不足 R/S分析方法其实对时间序列当中的短程记忆比较敏感，模拟结果显示，即便对于自回归系数为0.3的AR(1)过程，经R/S方法得到的Hurst指数也有近乎一半的情形超过1/2. （Davies Harte, 1987; Lo 1991） 修正的R/S统计量 修正的R/S统计量的渐近分布 对于短期过程 其中V是定义在[0,1] 上的布朗桥的全距 对长记忆性的判断 对于长记忆过程 因此利用该统计量可以对长记忆过程进行单边的检验。 对数全距序列的修正的R/S分析 对ARMA(1,1)残差的R/S分析 4. ARFIMA模型 模型的形式 分数次整合ARMA模型 或者 称之为I(d)过程，记为 分数次差分算子 其中 当 时该过程可逆。 平稳解的存在性 当 时，该过程存在着平稳解，能够写成 其中 平稳解的自相关函数特征 对于平稳的情况，自相关函数满足 显然自相关函数呈双曲（hyperbolic）律递减（Sowell 1992; Chung 1994) 平稳解谱密度函数的性质 所以， 记忆参数d取不同值时 当 时对应的