资产收益率及收益率分布性质中山大学.pptxVIP

会计学;1.1资产收益率;;;考虑一个案例;;;;;;关系小结;1.2收益率的分布性质; ;;;;; ;;;;第2章 线性时间序列分析;2.1平稳性;; 平稳性检验的图示判断 ;;2.2相关系数和自相关函数;;;2.3白噪声和线性时间序列;白噪声过程的自相关图;;;2.4时间序列模型的基本概念; 一般的p阶自回归过程AR(p)是 Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t (*);MA模型的引入; 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（p,q）： ; 例如，对于如下最简单的宏观经济模型：; 上述模型可作变形如下：; 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) Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p +?t (*); AR(1)模型的平稳性条件; 而AR(1)的特征方程;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 ?1+?21, ?2-?11, |?2|1;对应的特征方程1-?1z-?2z2=0 的两个根z1、z2满足： z1z2=-1/?2 , z1+z2 =-?1/?2 ; 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MA(q)： Xt=?t - ?1?t-1 - ?2?t-2 - ? - ?q?t-q 其中?t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： Xt=?1Xt-1+ ?2Xt-2 + … + ?pXt-p + ?t - ?1?t-1 - ?2?t-2 - ? - ?q?t-q;小结; 所谓随机时间序列模型的识别，就是对于一个平稳的随机时间序列，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 ）。;1、AR(p)过程 ; Xt=?1Xt-1+ ?2Xt-2 + ?t 该模型的方差?0以及滞后1期与2期的自协方差?1, ?2分别为;一般地，p阶自回归模型AR(p) ; 其中：1/zi是AR(p)特征方程?(z)=0的特征根，由AR(p)平稳的条件知，|zi|1; 因此，当1/zi均为实数根时，?k呈几何型衰减（单调或振荡）； 当存在虚数根时，则一对共扼复根构成通解中的一个阻尼正弦波项，?k呈正弦波衰减。; （2）偏自相关函数（PACF ）; 从Xt中去掉Xt-1的影响，则只剩下随机扰动项?t，显然它与Xt-2无关，因此我们说Xt与Xt-2的偏自相关系数为零，记为; 对MA(1)过程 ; MA(1)过程可以等价地写成?t关于无穷序列Xt，Xt-1，…的线性组合的形式：;其自协方差系数为 ; 与MA(1)相仿，可以验证MA(q)过程的偏自相关函数是非截尾但趋于零的。; ARMA(p,q)的自相关函数，可以看作MA(q)的自相关函数和AR(p)的自相关函数的混合物。 当p=0时，它具有截尾性质； 当q=0时，它具有拖尾性质； 当p、q都不为0时，它具有拖尾性质 从识别上看，通常： ARMA(p，q)过程的偏自相关函数（PACF）可能在p阶滞后前有几项明显的尖柱（spikes），但从p阶滞后项开始逐渐趋向于零； 而它的自相关函数（ACF）则是在q阶滞后前有几项明显的尖柱，从q阶滞后项开始逐渐趋向于零。 ;;;第64页/共67页;第65页/共67页;Thank you for listening!