平稳时间序列预测法讲义.pptxVIP

7 平稳时间序列预测法7.1概述7.2时间序列的自相关分析7.3单位根检验和协整检验7.4 ARMA模型的建模 7.1概 述 一、平稳时间序列 时间序列 取自某一个随机过程，则称：过程是平稳的——随机过程的随机特征不随时间变化而变化过程是非平稳的——随机过程的随机特征随时间变化而变化 严平稳时间序列的定义： 所有的统计特性不随时间的平移而变化 宽平稳时间序列的定义：设时间序列，对于任意的t,k和m，满足： 则称 宽平稳。 ARMA模型是描述平稳随机序列的最常用的一种模型。 Box-Jenkins方法提供了对时间序列进行分析、预测，以及对ARMA模型识别、估计和诊断的系统方法。 Box-Jenkins基本思想：用数学模型描述时间序列自身的相关性，并假定这种自相关性一直延续，用该模型预测未来的值。 ARMA模型的三种基本形式： 自回归模型（AR：Auto-regressive）； 移动平均模型（MA：Moving-Average）； 混合模型（ARMA：Auto-regressive Moving-Average）。 二、自回归模型 如果时间序列 满足其中 是独立同分布的随机变量序列,且满足： 则称时间序列 服从p阶自回归模型。 自回归模型的平稳条件：滞后算子多项式 的根均在单位圆外，即 的根大于1。 例1 AR(1)模型的平稳性条件。对1阶自回归模型AR(1)方程两边平方再求数学期望，得到Xt的方差由于Xt仅与?t相关，因此，E(Xt-1?t)=0。如果该模型稳定，则有E(Xt2)=E(Xt-12)，从而上式可变换为：在稳定条件下，该方差是一非负的常数，从而有 |?|1。 而AR(1)的特征方程的根为z=1/? AR(1)稳定，即 |?| 1，意味着特征根大于1。 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： (1)AR(p)模型稳定的必要条件是： ?1+?2+?+?p1 (2)由于?i(i=1,2,?p)可正可负，AR(p)模型稳定的充分条件是： |?1|+|?2|+?+|?p|1 三、移动平均模型MA(q) 如果时间序列 满足则称时间序列 服从q阶移动平均模型。 或者记为 。，平稳条件：任何条件下都平稳。 MA(q)模型的平稳性 对于移动平均模型MR(q)： Xt=?t - ?1?t-1 - ?2?t-2 - ? - ?q?t-q 其中?t是一个白噪声，于是 当滞后期大于q时，Xt的自协方差系数为0。因此:有限阶移动平均模型总是平稳的。 可逆条件： 的根均在单位圆外通常希望AR过程与ＭＡ过程能相互表出，即过程可逆。如移动平均模型MA(１)：可逆条件： 四、ARMA(p,q)模型如果时间序列 满足则称时间序列 服从(p,q)阶自回归移动平均模型。 或者记为：平稳条件： 的根均在单位圆外可逆条件： 的根均在单位圆外 将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressive moving average）过程ARMA（ 该式表明：（1）一个随机时间序列可以通过一个自回归移动平均过程生成，即该序列可以由其自身的过去或滞后值以及随机扰动项来解释。（2）如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么我们就可以通过该序列过去的行为来预测未来。 这也正是随机时间序列分析模型的优势所在。例题分析 设，其中A与B为两个独立的零均值随机变量，方差为1；为一常数。试证明：宽平稳。证明：均值为0，只与t－s有关，所以宽平稳。7.2 时间序列的自相关分析 建立时间序列模型，首先应判断时间序列的特性，判断是否满足建模条件。Ｂ—Ｊ法建模主要解决两个问题：（１）分析时间序列的随机性，平稳性和季节性（２）找出生成它的合适的随机过程或模型，即判断该时间序列是遵循一纯AR过程、还是遵循一纯MA过程或ARMA过程。 所使用的工具主要是时间序列的自相关函数（autocorrelation function，ACF）及偏自相关函数（partial autocorrelation function， PACF ）。一、自相关分析自相关分析法是进行时间序列分析的有效方 法，它简单易行, 较为直观，根据绘制的自 相关分析图和偏自相关分析图，我们可以初 步地识别平稳序列的模型类型和模型阶数。 利用自相关分析法可以测定时间序列的随机性 和平稳性，以及时间序列的季节性。（1）自相关函数的定义 滞后期为k的自协方差函数为： 则自相关函数为： 其中： 当序