时间序列分析第五章非平稳序列的随机分析课件.ppt

《时间序列分析第五章非平稳序列的随机分析课件.ppt》由会员分享，可在线阅读，更多相关《时间序列分析第五章非平稳序列的随机分析课件.ppt（118页珍藏版）》请在三一办公上搜索。

1、2022/11/29,时间序列分析,第五章,非平稳序列的随机分析,2022/11/29,时间序列分析,本章结构,差分运算ARIMA模型Auto-Regressive模型异方差的性质方差齐性变化条件异方差模型,2022/11/29,时间序列分析,5.1 差分运算,差分运算的实质差分方式的选择过差分,2022/11/29,时间序列分析,差分运算的实质,差分方法是一种非常简便、有效的确定性信息提取方法Cramer分解定理在理论上保证了适当阶数的差分一定可以充分提取确定性信息差分运算的实质是使用自回归的方式提取确定性信息,2022/11/29,时间序列分析,差分方式的选择,序列蕴含着显著的线性趋势，一

2、阶差分就可以实现趋势平稳 序列蕴含着曲线趋势，通常低阶（二阶或三阶）差分就可以提取出曲线趋势的影响 对于蕴含着固定周期的序列进行步长为周期长度的差分运算，通常可以较好地提取周期信息,2022/11/29,时间序列分析,例5.1,【例1.1】1964年1999年中国纱年产量序列蕴含着一个近似线性的递增趋势。对该序列进行一阶差分运算 考察差分运算对该序列线性趋势信息的提取作用,2022/11/29,时间序列分析,差分前后时序图,原序列时序图,差分后序列时序图,2022/11/29,时间序列分析,例5.2,尝试提取1950年1999年北京市民用车辆拥有量序列的确定性信息,2022/11/29,时间序

3、列分析,差分后序列时序图,一阶差分,二阶差分,2022/11/29,时间序列分析,例5.3,差分运算提取1962年1月1975年12月平均每头奶牛的月产奶量序列中的确定性信息,2022/11/29,时间序列分析,差分后序列时序图,一阶差分,1阶12步差分,2022/11/29,时间序列分析,过差分,足够多次的差分运算可以充分地提取原序列中的非平稳确定性信息但过度的差分会造成有用信息的浪费,2022/11/29,时间序列分析,例5.4,假设序列如下 考察一阶差分后序列和二阶差分序列 的平稳性与方差,2022/11/29,时间序列分析,比较,一阶差分平稳方差小,二阶差分（过差分）平稳方差大,202

4、2/11/29,时间序列分析,5.2 ARIMA模型,ARIMA模型结构ARIMA模型性质ARIMA模型建模ARIMA模型预测疏系数模型季节模型,2022/11/29,时间序列分析,ARIMA模型结构,使用场合差分平稳序列拟合模型结构,2022/11/29,时间序列分析,ARIMA 模型族,d=0ARIMA(p,d,q)=ARMA(p,q)P=0ARIMA(P,d,q)=IMA(d,q)q=0ARIMA(P,d,q)=ARI(p,d)d=1,P=q=0ARIMA(P,d,q)=random walk model,2022/11/29,时间序列分析,随机游走模型( random walk),模型

5、结构模型产生典故Karl Pearson(1905)在自然杂志上提问：假如有个醉汉醉得非常严重，完全丧失方向感，把他放在荒郊野外，一段时间之后再去找他，在什么地方找到他的概率最大呢？,2022/11/29,时间序列分析,ARIMA模型的平稳性,ARIMA(p,d,q)模型共有p+d个特征根，其中p个在单位圆内，d个在单位圆上。所以当 时ARIMA(p,d,q)模型非平稳。,例5.5ARIMA(0,1,0)时序图,2022/11/29,时间序列分析,ARIMA模型的方差齐性,时，原序列方差非齐性d阶差分后，差分后序列方差齐性,2022/11/29,时间序列分析,ARIMA模型建模步骤,获得观察值

6、序列,平稳性检验,差分运算,Y,N,白噪声检验,Y,分析结束,N,拟合ARMA模型,2022/11/29,时间序列分析,例5.6,对1952年1988年中国农业实际国民收入指数序列建模,2022/11/29,时间序列分析,一阶差分序列时序图,2022/11/29,时间序列分析,一阶差分序列自相关图,2022/11/29,时间序列分析,一阶差分后序列白噪声检验,2022/11/29,时间序列分析,拟合ARMA模型,偏自相关图,2022/11/29,时间序列分析,建模,定阶ARIMA(0,1,1)参数估计模型检验模型显著参数显著,2022/11/29,时间序列分析,ARIMA模型预测,原则最小均方

7、误差预测原理 Green函数递推公式,2022/11/29,时间序列分析,预测值,2022/11/29,时间序列分析,例5.7,已知ARIMA(1,1,1)模型为 且求 的95的置信区间,2022/11/29,时间序列分析,预测值,等价形式计算预测值,2022/11/29,时间序列分析,计算置信区间,Green函数值方差95置信区间,2022/11/29,时间序列分析,例5.6续：对中国农业实际国民收入指数序列做为期10年的预测,2022/11/29,时间序列分析,疏系数模型,ARIMA(p,d,q)模型是指d阶差分后自相关最高阶数为p，移动平均最高阶数为q的模型，通常它包含p+q个独立的未知

8、系数：如果该模型中有部分自相关系数 或部分移动平滑系数 为零，即原模型中有部分系数省缺了，那么该模型称为疏系数模型。,2022/11/29,时间序列分析,疏系数模型类型,如果只是自相关部分有省缺系数，那么该疏系数模型可以简记为 为非零自相关系数的阶数如果只是移动平滑部分有省缺系数，那么该疏系数模型可以简记为 为非零移动平均系数的阶数如果自相关和移动平滑部分都有省缺，可以简记为,2022/11/29,时间序列分析,例5.8,对1917年1975年美国23岁妇女每万人生育率序列建模,2022/11/29,时间序列分析,一阶差分,2022/11/29,时间序列分析,自相关图,2022/11/29,时

9、间序列分析,偏自相关图,2022/11/29,时间序列分析,建模,定阶ARIMA(1,4),1,0)参数估计模型检验模型显著参数显著,2022/11/29,时间序列分析,季节模型,简单季节模型乘积季节模型,2022/11/29,时间序列分析,简单季节模型,简单季节模型是指序列中的季节效应和其它效应之间是加法关系简单季节模型通过简单的趋势差分、季节差分之后序列即可转化为平稳，它的模型结构通常如下,2022/11/29,时间序列分析,例5.9,拟合19621991年德国工人季度失业率序列,2022/11/29,时间序列分析,差分平稳,对原序列作一阶差分消除趋势，再作4步差分消除季节效应的影响，差分

10、后序列的时序图如下,2022/11/29,时间序列分析,白噪声检验,2022/11/29,时间序列分析,差分后序列自相关图,2022/11/29,时间序列分析,差分后序列偏自相关图,2022/11/29,时间序列分析,模型拟合,定阶ARIMA(1,4),(1,4),0)参数估计,2022/11/29,时间序列分析,模型检验,2022/11/29,时间序列分析,拟合效果图,2022/11/29,时间序列分析,乘积季节模型,使用场合序列的季节效应、长期趋势效应和随机波动之间有着复杂地相互关联性，简单的季节模型不能充分地提取其中的相关关系 构造原理短期相关性用低阶ARMA(p,q)模型提取季节相关性

11、用以周期步长S为单位的ARMA(P,Q)模型提取假设短期相关和季节效应之间具有乘积关系，模型结构如下,2022/11/29,时间序列分析,例5.10 :拟合19481981年美国女性月度失业率序列,2022/11/29,时间序列分析,差分平稳,一阶、12步差分,2022/11/29,时间序列分析,差分后序列自相关图,2022/11/29,时间序列分析,差分后序列偏自相关图,2022/11/29,时间序列分析,简单季节模型拟合结果,2022/11/29,时间序列分析,乘积季节模型拟合,模型定阶ARIMA(1,1,1)(0,1,1)12参数估计,2022/11/29,时间序列分析,模型检验,202

12、2/11/29,时间序列分析,乘积季节模型拟合效果图,2022/11/29,时间序列分析,5.3 Auto-Regressive模型,构造思想首先通过确定性因素分解方法提取序列中主要的确定性信息然后对残差序列拟合自回归模型，以便充分提取相关信息,2022/11/29,时间序列分析,Auto-Regressive模型结构,2022/11/29,时间序列分析,对趋势效应的常用拟合方法,自变量为时间t的幂函数自变量为历史观察值,2022/11/29,时间序列分析,对季节效应的常用拟合方法,给定季节指数建立季节自回归模型,2022/11/29,时间序列分析,例5.6续,使用Auto-Regressiv

13、e模型分析1952年1988年中国农业实际国民收入指数序列。时序图显示该序列有显著的线性递增趋势，但没有季节效应，所以考虑建立如下结构的Auto-Regressive模型,2022/11/29,时间序列分析,趋势拟合,方法一：变量为时间t的幂函数方法二：变量为一阶延迟序列值,2022/11/29,时间序列分析,趋势拟合效果图,2022/11/29,时间序列分析,残差自相关检验,检验原理回归模型拟合充分，残差的性质回归模型拟合得不充分，残差的性质,2022/11/29,时间序列分析,Durbin-Waston检验（DW检验）,假设条件原假设：残差序列不存在一阶自相关性 备择假设：残差序列存在一阶

14、自相关性,2022/11/29,时间序列分析,DW统计量,构造统计量DW统计量和自相关系数的关系,2022/11/29,时间序列分析,DW统计量的判定结果,正相关,相关性待定,不相关,相关性待定,负相关,0,4,2,2022/11/29,时间序列分析,例5.6续,检验第一个确定性趋势模型 残差序列的自相关性。,2022/11/29,时间序列分析,DW检验结果,检验结果检验结论检验结果显示残差序列高度正自相关。,2022/11/29,时间序列分析,Durbin h检验,DW统计量的缺陷当回归因子包含延迟因变量时，残差序列的DW统计量是一个有偏统计量。在这种场合下使用DW统计量容易产生残差序列正自

15、相关性不显著的误判 Durbin h检验,2022/11/29,时间序列分析,例5.6续,检验第二个确定性趋势模型 残差序列的自相关性。,2022/11/29,时间序列分析,Dh检验结果,检验结果检验结论检验结果显示残差序列高度正自相关。,2022/11/29,时间序列分析,残差序列拟合,确定自回归模型的阶数参数估计模型检验,2022/11/29,时间序列分析,例5.6续,对第一个确定性趋势模型的残差序列 进行拟合,2022/11/29,时间序列分析,残差序列自相关图,2022/11/29,时间序列分析,残差序列偏自相关图,2022/11/29,时间序列分析,模型拟合,定阶AR(2)参数估计方

16、法极大似然估计最终拟合模型口径,2022/11/29,时间序列分析,例5.6,第二个AutoRegressive模型的拟合结果,2022/11/29,时间序列分析,三个拟合模型的比较,2022/11/29,时间序列分析,5.4 异方差的性质,异方差的定义如果随机误差序列的方差会随着时间的变化而变化，这种情况被称作为异方差异方差的影响忽视异方差的存在会导致残差的方差会被严重低估，继而参数显著性检验容易犯纳伪错误，这使得参数的显著性检验失去意义，最终导致模型的拟合精度受影响。,2022/11/29,时间序列分析,异方差直观诊断,残差图残差平方图,2022/11/29,时间序列分析,残差图,方差齐性

17、残差图,递增型异方差残差图,2022/11/29,时间序列分析,残差平方图,原理残差序列的方差实际上就是它平方的期望。所以考察残差序列是否方差齐性，主要是考察残差平方序列是否平稳,2022/11/29,时间序列分析,例5.11,直观考察美国1963年4月1971年7月短期国库券的月度收益率序列的方差齐性。,2022/11/29,时间序列分析,一阶差分后残差图,2022/11/29,时间序列分析,一阶差分后残差平方图,2022/11/29,时间序列分析,异方差处理方法,假如已知异方差函数具体形式，进行方差齐性变化假如不知异方差函数的具体形式，拟合条件异方差模型,2022/11/29,时间序列分析

18、,5.5 方差齐性变换,使用场合序列显示出显著的异方差性，且方差与均值之间具有某种函数关系 其中： 是某个已知函数处理思路尝试寻找一个转换函数 ，使得经转换后的变量满足方差齐性,2022/11/29,时间序列分析,转换函数的确定原理,转换函数 在 附近作一阶泰勒展开求转换函数的方差转换函数的确定,2022/11/29,时间序列分析,常用转换函数的确定,假定转换函数的确定,2022/11/29,时间序列分析,例5.11续,对美国1963年4月1971年7月短期国库券的月度收益率序列使用方差齐性变换方法进行分析 假定函数变换,2022/11/29,时间序列分析,对数序列时序图,2022/11/29

19、,时间序列分析,一阶差分后序列图,2022/11/29,时间序列分析,白噪声检验,2022/11/29,时间序列分析,拟合模型口径及拟合效果图,2022/11/29,时间序列分析,5.6 条件异方差模型,ARCH模型GARCH模型GARCH模型的变体EGARCH模型IGARCH模型GARCH-M模型AR-GARCH模型,2022/11/29,时间序列分析,ARCH模型,假定原理通过构造残差平方序列的自回归模型来拟合异方差函数,ARCH(q)模型结构,2022/11/29,时间序列分析,GARCH 模型结构,使用场合ARCH模型实际上适用于异方差函数短期自相关过程 GARCH模型实际上适用于异方

20、差函数长期自相关过程,模型结构,2022/11/29,时间序列分析,GARCH模型的约束条件,参数非负 参数有界,2022/11/29,时间序列分析,EGARCH模型,2022/11/29,时间序列分析,IGARCH模型,2022/11/29,时间序列分析,GARCH-M模型,2022/11/29,时间序列分析,AR-GARCH模型,2022/11/29,时间序列分析,GARCH模型拟合步骤,回归拟合残差自相关性检验异方差自相关性检验ARCH模型定阶参数估计正态性检验,2022/11/29,时间序列分析,例5.12,使用条件异方差模型拟合某金融时间序列。,2022/11/29,时间序列分析,回

21、归拟合,拟合模型参数估计参数显著性检验P值0.0001,参数高度显著,2022/11/29,时间序列分析,残差自相关性检验,残差序列DW检验结果Durbin h=-2.6011 拟合残差自回归模型方法：逐步回归模型口径,2022/11/29,时间序列分析,异方差自相关检验,Portmantea Q检验拉格朗日乘子（LM）检验,2022/11/29,时间序列分析,Portmantea Q检验,假设条件检验统计量检验结果拒绝原假设接受原假设,2022/11/29,时间序列分析,LM检验,假设条件检验统计量检验结果拒绝原假设接受原假设,2022/11/29,时间序列分析,例5.12残差序列异方差检验,2022/11/29,时间序列分析,ARCH模型拟合,定阶：GARCH(1,1)参数估计：极大似然估计拟合模型口径：AR(2)-GARCH(1,1),2022/11/29,时间序列分析,模型检验,检验方法：正态性检验假设条件：检验统计量检验结果拒绝原假设接受原假设,2022/11/29,时间序列分析,例5.13正态性检验结果,P值0.5603 AR(2)-GARCH(1,1)模型显著成立,2022/11/29,时间序列分析,拟合效果图,