《金融计量学（第二版）》Lecture 13非线性时序模型01.pptVIP

3）区制的预测 利用模型(13.21)以及第8章介绍的VAR模型的属性，得到下列等式： 因为模型(13.24)知道 , 所以： 如果假设现在处在状态1，那么未来1期转移概率可以分别计算为： 和 13.2.5 区制的推断问题 贝叶斯定理（Bayesian Rule） （13.33） 假设 代表到样本端点时刻T时的所有信息集，序列 的初始值 已知，并且在时刻t，区制为 。故有： 结合贝叶斯定理，可得： （13.34） 由于 只能取0或者1，所以 可以通过分别与这两个可能取的值对应的两个联合概率密度函数的和: 金融计量学 * * 第13章 非线性金融时间序列模型 13.1 非线性时间序列模型介绍 13.2 马尔可夫区制转移模型 13.3 门限模型 13.1 非线性时间序列模型背景介绍 金融时间序列变量，特别是高频金融时间序列变量，经常表现出与较低频率的时间序列变量明显不同的特征。所以，对高频金融数据进行建模，往往与一般的时间序列分析方法存在差别。 这是因为，随着时间的变化，宏观政策的调整和经济结构的可能变化，能够造成计量模型内的系数发生变化。换言之，不同时期或者区制对应的模型系数可能会发生改变。而捕捉这种系数变化的重要模型之一，就是带有状态变量的区制转移模型。 非线性模型的一个重要表象就是可能出现“状态”的转变。这种状态的转变，有时候也被称为“区制”的转变，可以用来捕捉金融时间序列模型中可能存在的结构性变化。 13.2 马尔可夫区制转移模型 13.2.1 背景介绍 近年来，非线性模型的发展使得其在经济和金融时间序列分析领域得到了越来越广泛的应用。特别是区制转移模型，在经济、金融领域得到越来越多的重视。例如，马尔可夫区制转移模型可以用来分析宏观经济周期。 Hamilton (1989)的文献应该算得上是MS模型的开创性文献，而且利用Hamilton的马尔可夫区制转移模型获得的经济周期与NBER给出的经济周期基本上是完全吻合的。 基于Hamilton的重要贡献，马尔可夫区制转移模型也经常被称为Hamilton模型。正如前面介绍过的，在MS模型中，区制有时候也称为“状态”。 13.2.2 马尔可夫区制转移概率问题 MS模型所表示的内容是不同时期的不同状态。 在只涉及两个状态的MS模型中，转移概率的定义可以写成： (13.1) 模型13.1可以用矩阵表示为： （13.2） 这里，以不同状态下对应的概率所组成的矩阵P，称为转移矩阵。 模型(13.1)也可以写成另一种形式: （13.3） 实际上，模型(13.3)的这种表达形式给出了状态变量 与所谓的马尔可夫链（Markov Chain）的联系，而马尔可夫链的定义可以写成： (13.4) 从上面的介绍不难看出，一阶的MS模型，在t时刻的状态 只与t-1时刻的状态 有关。 13.2.3 马尔可夫区制转移模型 在更一般的情况下，区制转移模型可以写成如下形式 其中： 、 和 分别表示因变量、自变量矩阵以及系数矩阵。 13.2.4 状态变量的属性 M