金融数据特征值和季节调整.pptVIP

金融数据特征值和季节调整 * 这三个系数定义如下 其中：k 0，?，?，? 在0～1之间，为阻尼因子。预测值由下式计算 其中：ST+k-s 用样本数据最后一年的季节因子，T 是估计样本的期末值。 金融数据特征值和季节调整 * 例2.7 指数平滑方法应用 本例利用指数平滑方法对我国上证收盘指数（时间范围：1991年1月-2003年3月）的月度时间序列 (sh_s) 进行拟合和预测。采用五种平滑模型对1991年1月-2002年9月的数据做指数平滑，并利用预测公式得到2002年10月-2003年3月半年的预测值。 金融数据特征值和季节调整 * 谱分析的基本思想是：把时间序列看作是互不相关的周期（频率）分量的叠加，通过研究和比较各分量的周期变化，以充分揭示时间序列的频域结构，掌握其主要波动特征。因此，在研究时间序列的周期波动方面，它具有时域方法所无法企及的优势。 金融数据特征值和季节调整 * 1. 经济时间序列的功率谱 设时间序列数据 X=(x1, x2, …, xT)，T为样本长度。谱分析（spectral analysis）的实质是把时间序列X的变动分解成不同的周期波动之和。考虑时间序列X由对应于不同频率的多个周期变动的和构成，假定存在n个频率?1, ?2, …, ?n，则 这里，uj ，vj 是随机变量，并且满足。 （对所有的 i，j） （对所有的 i ? j） 金融数据特征值和季节调整 * 可以计算得到 X 的方差： 在这里很有趣的是，X 的方差可以由n个方差?j2 的和来表示。?j2是对应于频率?j 的循环变动 uj cos?j t+vj sin?j t 的方差，表示了对随机过程全变动的贡献，下图是对应于频率的方差图。 金融数据特征值和季节调整 * 频率? 和周期p有如下关系： 频率 ? 周期 = ? ? p = 2? (2.3.8) 时间序列X的变动可以分解成各种不同频率波动的叠加和，根据哪种频数的波动具有更大的贡献率来解释X的周期波动的成分，这就是谱分析（频数分析）名称的缘由。这就是说当具有各种周期的无数个波包含于景气变动中时，看看哪个周期(频率)的波强烈地表现现实景气变动。谱分析中的核心概念是功率谱密度函数（简称功率谱），它集中反映了时间序列中不同频率分量对功率或方差的贡献程度。 金融数据特征值和季节调整 * （1）白噪音的功率谱 在随机过程{ut}是白噪音的情形，白噪音的功率谱 f (?) 可由下式表示 (2.3.9) 其中：? 2是ut的方差。如图所示，白噪音的功率谱是水平的。因此，可知白噪音的功率谱的所有频率是具有同一权重的随机过程。图的横轴为频率，频率下面是对应的周期。在这里，2是指以2期为周期的周期变动，4是指以4期为一周期的周期变动。在这个功率谱图中，[0，?]的频率对应的周期从 ? 到2期，（由于谱密度函数的对称性，图中只给出[0，?]间的谱图）。 金融数据特征值和季节调整 * （2） 一般随机过程的功率谱 (a) (b) (c) 金融数据特征值和季节调整 * 2. 频率响应函数 考虑随机过程 {xt} 的线性变换 (2.3.10) 其中：wj 是确定的权重序列，比如是 {xt} 的移动平均权重。上面的变换可以用延迟算子表示为 (2.3.11) 其中： 金融数据特征值和季节调整 * 由这种变换构成的延迟多项式被称为线性滤波(linear filter)，或只称为滤波。这样的变换还可以被说成对{xt}作用了滤波。由谱分析的知识可知，{yt} 的功率谱可以表示为 (2.3.12) 其中：fy(?)和fx(?)分别是{