时间序列分析模型课件.pptxVIP

CH4-3 时间序列分析模型;4-3-1 时间序列的基本概念;2010年11月17日--2011年4月8日上证综指;二、时间序列分析 时间序列分析：是一种根据动态数据揭示系统动态结构和规律的统计方法。其基本思想：根据系统的有限长度的运行记录（观察数据），建立能够比较精确地反映序列中所包含的动态依存关系的数学模型，并借以对系统的未来进行预报;Wold分解定理（1938）;确定性序列与随机序列的定义;三、确定性时间序列分析与随机性时间序列分析: 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???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。 随机性变化分析: AR、MA、ARMA模型 ; 趋势变化分析 确定性变化分析 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 ;Cramer分解定理（1961）;对两个分解定理的理解;确定性时序分析的目的;4-3-2 时间序列趋势分析;趋势拟合法;线性拟合;非线性拟合;常用非线性模型;;平滑法;;;移动平均法;移动平均期数确定的原则;移动平均预测;;4-3-4 随机时间序列模型;一、时间序列模型的基本概念;例如，取线性方程、一期滞后以及白噪声随机扰动项（ ?n =?n），模型将是一个1阶自回归过程AR(1)： Yn=aYn-1+ ?n 这里， ?n特指一白噪声。 ; (1)如果随机扰动项是一个白噪声(?n=?n)，则称(1)式为一纯AR(p)过程（pure AR(p) process），记为 Yn=a1Yn-1+ a2Yn-2 + … + apYn-p +?n (2)如果?n不是一个白噪声，通常认为它是一个q阶的移动平均（moving average）过程MA(q)： ?n=?n - c1?n-1 - c2?n-2 - ? - cq?n-q 该式给出了一个纯MA(q)过程（pure MA(p) process）。 ; 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（aunoregressive moving average）过程ARMA（p,q）： ; 需要说明的是，在上述模型的平稳性、识别与估计的讨论中，ARMA(p,q)模型中均未包含常数项。;二、随机时间序列模型的平稳性条件; 自回归移动平均模型（ARMA）是随机时间序列分析模型的普遍形式，自回归模型（AR）和移动平均模型（MA）是它的特殊情况。 关于这几类模型的研究，是时间序列分析的重点内容：主要包括模型的平稳性分析、模型的识别和模型的估计。;考虑p阶自回归模型AR(p) Yn=a1Yn-1+ a2Yn-2 + … + apYn-p +?n ; 例4.3.1 AR(1)模型的平稳性条件。; 而AR(1)的特征方程;例6.3.2 AR(2)模型的平稳性。 对AR(2)模型 ;又由于;由平稳性的定义，该方差必须是一不变的正数，于是有 a1+a21, a2-a11, |a2|1;对应的特征方程1-a1z-a2z2=0 的两个根z1、z2满足： z1z2=-1/a2 , z1+z2 =-a1/a2 ; 对高阶自回模型AR(p)来说，多数情况下没有必要直接计算其特征方程的特征根，但有一些有用的规则可用来检验高阶自回归模型的稳定性：; 对于移动平均模型MR(q)： Yn=?n - c1?n-1 - c2?n-2 - ? - cq?n-q 其中?n是一个白噪声，于是; 由于ARMA (p,q)模型是AR(p)模型与MA(q)模型的组合： Yn=a1Yn-1+ a2Yn-2 + … + apYn-