自回归移动平均模型.docxVIP

精选文档 精选文档 PAGE PAGE31 精选文档 PAGE . 第二章 自回归挪动均匀模型 一些金融时间序列的改动常常体现出必定的安稳特色，由 Box和Jenkins创办的ARMA 模型就是借助时间序列的随机性来描绘安稳序列的有关性信息， 并由此对时间序列的变化进 行建模和展望。 第一节ARMA模型的基根源理 ARMA模型由三种基本的模型组成：自回归模型（ AR，Auto-regressiveModel），挪动平 均模型（MA，MovingAverageModel）以及自回归挪动均匀模型 （ARMA，Auto-regressiveMoving AverageModel）。 自回归模型的基根源理 1．AR模型的基本形式 AR模型的一般形式以下： yt c 1yt1 2yt2 pytpt 此中，c为常数项， 1, 2 p模型的系数， t为白噪声序列。我们称上述方程为p 阶自回归模型，记为 AR(p)。 2．AR模型的安稳性 此处的安稳性是指宽安稳， 即时间序列的均值，方差和自协方差均与时辰没关。 即若时 间序列{yt}是安稳的，即 E(yt) ，Var(yt) 2，Cov(yt,yts) s2。 为了描绘的方便，对式（ ）的滞后项引入滞后算子。若 ytxt1 ，定义算子“L”， 使得yt Lxt xt1 ， L称为滞后算子。由此可知， Lkxt xtk。 对于式子（），可利用滞后算子改写为： yt c 1Lyt 2L2yt pLpyt t 移项整理，可得： (1 1L 2L2 pLp)yt c t . . AR(p)的安稳性条件为方程1 1L 2L2 pLp 0的解均位于单位圆外。 3．AR模型的统计性质 （1）AR模型的均值。 假定AR(p)模型是安稳的，对 AR(p)模型两边取希望可得： Ε(yt)E(c 1yt1 2yt2 pytp t) 依据安稳序列的定义知， E(yt ) ，因为随即扰乱项为白噪声序列，所以E(t) 0， 所以上式可化简为： (112 p) 0 所以， 0 1 12 p （2）AR模型的方差。 直接计算AR(p)模型的方差较困难，这里引入 Green函数。 AR(p)模型能够改写成以下形式： t yt (L) 设1p为安稳AR(p)模型的反特色根，则 p (L) 1 1L 2L2 L pLp (1 iL)。 i 1 进一步， p ki p ki(iL)j p ij yt iL t t ki tj Gjtj i1 1 i1j0 j0i1 j0 p ij，称为Green函数，因为 此中，ki为常数，Gj ki 1p均在单位圆内，所 1 以Green函数是呈负指数降落的。对上式两边取方差，可得： var(yt) G2jvar(tj) j 0 因为随机扰乱项为白噪声序列， 所以var(tj) 2。因为Green函数是呈负指数降落， . . 所以G2j ，这说明安稳时间序列方差有界，且等于常数 Gj22。 j0 j0 （3）自协方差函数。 假定将原序列已经中心化，则 E(yt) 0，则对 AR(p)模型等号两边同时乘以 ytk( k 1)，两边取希望得： E(ytytk) 1E(yt1ytk) 2E(yt2ytk) ... pE(ytpytk) E(tytk) 因为当期的随机扰乱项与过去的时间序列值没关，所以： E(tytk) 0。所以，上式 能够化为： rk 1rk1 2rk2 prkp 此中rk，表示k阶自协方差。 挪动均匀模型的基根源理 1．MA模型的基本形式 MA模型的一般形式以下： ytut1t1 2 t2 qtq 此中，u为常数项， 1, 2 p为模型的系数， t为白噪声序列。我们称上述方程为q 阶挪动均匀模型，记为 MA(q)。 2、MA模型的可逆性 对于一个 MA(q)模型： yt u t 1 t1 2 t 2 q t q 将其写成滞后算子的形式： ytu(1 1L 2L2 qLq)t 若方程1 1L 2L2 qLq 0的根所有落在单位圆外， 则称MA模型是可逆的。 可逆性能够保证 MA模型能够改写成： (L)(yt u) t 即MA模型能够转变为 AR模型，同时能够保证参数预计的独一性。 3、MA模型的数字特色 . . （1）均值 当q 时，对于一般的 MA（q）模型： yt u t 1 t1 2 t 2 L q t q 两边取希望，可得： E(yt) E(u t 1 t1 2 t 2 L q t q) u 即一般的MA（q）模型的希望值即为模型中的常数项。 （2）方差 对MA（q）模型，两边取方差： Var(yt)Var(u 2t2... qtq)(1 2 2 ... 2 2 t 1t1 1 2 q ) （3）协方差函数 rk E(ytytk)E[(u t 1 t 1 2 t 2 ..