首页 / 章节 / 第 4 章

第 4 章 自回归移动平均模型

视频约 98 分钟 · 课件 111 页 · R 示例 20 个

查看视频小节目录
  1. 开场
  2. 时间序列与应用
  3. 平稳性与遍历性
  4. 白噪声、AR、MA 与 ARMA 模型
  5. ACF 与 PACF
  6. 参数估计:Yule–Walker 与极大似然
  7. AIC 与 BIC 信息准则
  8. 单位根与 ADF 检验
  9. 结构模型与时间序列模型之间的关系
  10. 长期方差(Long-run Variance)
  11. 采用 ARMA 模型进行预测
  12. 案例:上证指数收益率的 ARMA 建模与预测
  13. 向量自回归模型 VAR
  14. 结构向量自回归模型 SVAR
  15. SVAR 的 R 案例:递归识别与脉冲响应
  16. 章节总结
  17. 练习与方法自检

本章导读

金融数据按时间排列,今天的观测值可能与过去有关。本章先说明平稳性、遍历性、自相关和白噪声,再介绍 AR、MA 与 ARMA 模型,利用自相关函数和偏自相关函数辨别动态结构。模型估计与选择部分讨论极大似然、AIC、BIC、单位根及长期方差。

预测部分区分样本内拟合与样本外表现,以股票指数收益率的建模为例说明预测误差、预测区间和模型比较。后半章扩展到 VAR 与结构识别。学完后,你应能判断时间序列模型的设定是否合理,并明白拟合得好不等于未来预测得好。

时间序列ARMA平稳性单位根样本外预测VAR

选读习题

本章选取 4 道习题。先独立思考,遇到困难时再逐步展开提示;完整题面及数据要求请参阅教材。

习题 4.1理论与推导

平稳性与遍历性

说明平稳性和遍历性为什么是分析金融时间序列的重要前提,并辨析两者分别回答什么问题。

提示 1点击展开

先区分总体时间不变性与单条样本路径的长期平均,再思考为何仅凭一次历史记录也能进行统计推断。

提示 2点击展开

举例说明结构变化或持久冲击可能破坏这些前提;注意平稳性与独立同分布不等价。

习题 4.2理论与推导

AR(1) 的平稳解

对 yₜ=θyₜ₋₁+εₜ,εₜ 为零均值、方差为正的白噪声,先在 |θ|<1 时求因果平稳解的均值、方差和自协方差;再辨析 |θ|≥1 时因果与非因果弱平稳解的存在性。

提示 1点击展开

将递推关系向过去展开,检查无限和在均方意义下是否收敛;计算方差时利用白噪声的跨期不相关性。

提示 2点击展开

用相同的无限和表示计算不同滞后的协方差,并检查零滞后是否回到方差。

提示 3点击展开

因果解仅能依赖当前及过去的创新。若允许依赖未来创新,展开方向会改变;需将边界情况 |θ|=1 与 |θ|>1 分开讨论。

习题 4.6概念与辨析

白噪声、独立性与鞅差分

辨析零均值独立同分布序列、白噪声和鞅差分序列之间的关系。此处白噪声采用有限恒定方差和非零滞后零协方差的定义,鞅差分相对于过去信息集定义;请补齐必要条件,并为不成立的说法构造反例。

提示 1点击展开

分别写出三种概念对分布、矩和条件期望的要求,逐项比较,不能只比较均值是否为零。

提示 2点击展开

证明不相关时,可以先对过去信息取条件期望,但这一步需要相应的可积性或二阶矩条件。

提示 3点击展开

尝试让方差随过去状态变化,或让条件均值具有非线性但线性自相关为零,观察哪个性质会失效。

习题 4.7数据应用

滚动预测与 DM 检验

扩展本章的预测案例,按时间顺序形成两种方法的一步样本外预测,并使用 Diebold–Mariano 检验比较预测准确性。

提示 1点击展开

先划定训练窗和评价窗,每次预测只用当时已知的信息;明确采用固定、扩展还是滚动训练窗。

提示 2点击展开

在完全相同的评价日期上比较两种方法的损失,形成损失差序列;先说明损失函数。

提示 3点击展开

检查损失差的时间依赖性,并为其均值估计合适的长期方差;应同时报告统计显著性与实际误差改善情况。

本章课件

第 4 章 课件封面

第 4 章 自回归移动平均模型

111 页 · 网页逐页阅读

本章 R 代码

从平稳性、自相关与白噪声出发,学习 AR、MA、ARMA 等模型如何描述金融时间序列的动态。

正文演示:模拟 AR(2) 序列,用 Yule–Walker 方法估计参数。

数据说明:默认演示使用模拟序列;交易所指数案例需要按本章说明准备数据。

打开本章 GitHub 目录 ↗ 查看本章代码索引
第 4 章 GitHub 代码目录二维码 扫码查看本章代码

点击下方条目可在线查看源码,或从 GitHub 下载。

本章 Python 补充实践

ARMA 识别、估计与预测

从一条已知生成机制的 AR(2) 序列出发,观察其自相关与偏自相关,再比较候选 ARMA 模型的拟合和预测表现。

动手实践:模拟 AR(2) 序列;计算 Yule–Walker 估计;根据训练样本 BIC 选择模型并进行预测。

数据说明:模拟 AR(2) 序列,系数为 0.6 和 −0.4;预留后 200 期用于预测评价。

打开本章 Python 目录 ↗ 查看 Python 导读与运行说明
本章 Python 代码二维码扫码查看 Python 代码
GitHub 代码仓库二维码

GitHub 代码仓库

书中 R 示例与公开数据按章整理,附有运行说明。可从各章演示程序开始,也可对照正文逐段学习。点击或扫描二维码即可打开仓库。

github.com/Jiajing-Sun/financial-econometrics-r

打开仓库