现代时间序列模型.docxVIP

第十章 现代时间序列模型 时间序列分析是根据系统的有限长度的运行记录，建立能够比较精确反映时 间序列中所包含的动态依存关系的数学模型。其主要分为确定性时间序列分析和 随机性时间序列分析，本章主要讨论随机性时间序列分析。 实验目的： 掌握如何建立一个准确的时间序列模型。 实验内容： 一、 时间序列数据的平稳性检验 二、 时间序列数据的平稳化处理 三、 时间序列数据模型的识别和定阶 四、 时间序列模型的参数估计 五、 时间序列模型的检验 六、 协整分析和误差修正模型 知识准备： 一、ARMA模型概述 在现实中很多问题，如利率波动、收益率变化及汇率变化等通常是一个平稳 时间序列或通过适当差分可以化成一个平稳序列。如果时间序列七满足下列条 件： E(x ) = a , a为与时间t无关的常数； t Var(x ) =c 2 , b2为与时间t无关的常数； t Cov(x ,x )=y , y为只与时间间隔s有关，与时间t无关的常数。则称 t t - s s s 该随机时间序列是平稳的，而该随机过程是一平稳随机过程。本节的讨论是在此 平稳性假设成立下进行的。对于一个平稳时间序列通常用以下三个模型来刻划。 1、自回归过程 如果一个线性过程可表达为 x =g x +g X +.... + g x +p (1) t 1 t—1 2 t—2 p t—p t 其中七，i = 1,…P是自回归参数，七是