时间序列分析的一般框架【整理】
2013-10-31 13:44
295 查看
时间序列分析在金融相关领域中有着重要的应用,下面的框架是进行时间序列分析的一般性方法和步骤
------------------------------------------------------------------------------------------------------
1、时间序列分析只有一组时间序列数据,要预测下一期的数据。回归可以用来预测,但是由于时间序列分析只有一组数据(因变量),缺少自变量,因此要解决自变量的问题。
2、线性趋势模型(Linear trend
model)就是用时间(t)来做自变量的一元回归模型,这就解决了缺少自变量的问题。但是时间序列数据不一定与时间t线性相关,很有可能是加速上升或者加速下降的。因此,做线性回归之后可能存在自相关。
3、拿到一组时间序列数据,我们先做线性趋势模型,然后用Durbin Watson检验来检验自相关。如果Durbin
Watson检验不能拒绝原假设(没有自相关),那么就用线性趋势模型;如果Durbin
Watson检验拒绝原假设(有自相关),那么就用对数线性趋势模型。
4、对数线性趋势模型(Log-linear trend model)作完之后,仍然用Durbin
Watson检验来检验自相关。如果Durbin Watson检验不能拒绝原假设,那么就用对数线性趋势模型;如果Durbin
Watson检验拒绝原假设,那么就用自回归模型。
5、自回归模型(Autoregressive model)是用上一期的因变量来做自变量,因此也解决了缺少自变量的问题
6、但是自回归模型是否解决了自相关的问题呢?我们做完一个自回归模型AR(1)之后,不能用Durbin
Watson检验来检验自相关,而要用最原始的方法,计算每一个自相关系数,对每一个自相关系数做显著性检验t检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设(没有自相关),那么就用这个AR(1)模型;如果有一个自相关系数的显著性t检验都拒绝原假设(有自相关),那么就要引入一个季节性延迟变量(seasonal
lag),然后以新的(二元)自回归模型重新回归,估计回归参数。
7、新的(二元)自回归模型重新回归之后,我们仍然计算每一个自相关系数,对每一个自相关系数做显著性检验t检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设(没有自相关),那么就用这个新的(二元)自回归模型;如果有一个自相关系数的显著性t检验都拒绝原假设(有自相关),那么就要再引入一个季节性延迟变量,然后以新的(三元)自回归模型重新回归。这样周而复始,不断引入季节性延迟变量,最终总能使每一个自相关系数的显著性t检验都不能拒绝原假设。也就是说,自回归模型可以根本解决自相关的问题。(此处的二元,三元实际上指的是AR模型的阶数p)
8、自回归模型虽然解决了自相关的问题,但是带来了一个新的问题:只有平稳的时间序列数据才能做自回归,这是自回归模型的前提条件。CFA称平稳的时间序列数据为协方差恒定的时间序列数据(Covariance-stationary
series)。
9、时间序列数据要协方差恒定,有一个必要条件,就是必须要有一个均值回复水平(mean reverting
level)。对AR(1)模型,均值回复水平=b0/(1-b1)。如果b1=1,则该AR(1)模型不存在均值回复水平,这个时间序列数据也就不满足协方差恒定。因此,做了一个AR(1)模型之后,我们要用Dickey-Fuller检验来检验斜率系数b1是否显著不等于1(b1等于1称为单位根)。如果Dickey-Fuller检验可以拒绝原假设,那么就没有单位根,可以用这个AR(1)模型;如果Dickey-Fuller检验不能拒绝原假设,那么就有单位根,不可以用这个AR(1)模型,此时这个AR(1)模型称为随机游走模型。
10、随机游走模型(Random walk)有单位根b1等于1,因此不满足协方差恒定的前提条件,必须做一阶差分(First
differencing)。一阶差分最终能解决单位根的问题。
11、以上终于解决了自相关和单位根(协方差恒定)的问题。最后用自回归条件异方差模型(ARCH)能检测异方差的问题。
总结,进行时间序列分析的步骤:
线性趋势模型 --》 对数线性趋势模型 --》 自回归AR模型 --》 高阶自回归AR模型 --》 随机游走模型 --》
ARCH --》 GARCH
根源在于不同的模型,适用的条件是不同的,需要区别对待。
------------------------------------------------------------------------------------------------------
1、时间序列分析只有一组时间序列数据,要预测下一期的数据。回归可以用来预测,但是由于时间序列分析只有一组数据(因变量),缺少自变量,因此要解决自变量的问题。
2、线性趋势模型(Linear trend
model)就是用时间(t)来做自变量的一元回归模型,这就解决了缺少自变量的问题。但是时间序列数据不一定与时间t线性相关,很有可能是加速上升或者加速下降的。因此,做线性回归之后可能存在自相关。
3、拿到一组时间序列数据,我们先做线性趋势模型,然后用Durbin Watson检验来检验自相关。如果Durbin
Watson检验不能拒绝原假设(没有自相关),那么就用线性趋势模型;如果Durbin
Watson检验拒绝原假设(有自相关),那么就用对数线性趋势模型。
4、对数线性趋势模型(Log-linear trend model)作完之后,仍然用Durbin
Watson检验来检验自相关。如果Durbin Watson检验不能拒绝原假设,那么就用对数线性趋势模型;如果Durbin
Watson检验拒绝原假设,那么就用自回归模型。
5、自回归模型(Autoregressive model)是用上一期的因变量来做自变量,因此也解决了缺少自变量的问题
6、但是自回归模型是否解决了自相关的问题呢?我们做完一个自回归模型AR(1)之后,不能用Durbin
Watson检验来检验自相关,而要用最原始的方法,计算每一个自相关系数,对每一个自相关系数做显著性检验t检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设(没有自相关),那么就用这个AR(1)模型;如果有一个自相关系数的显著性t检验都拒绝原假设(有自相关),那么就要引入一个季节性延迟变量(seasonal
lag),然后以新的(二元)自回归模型重新回归,估计回归参数。
7、新的(二元)自回归模型重新回归之后,我们仍然计算每一个自相关系数,对每一个自相关系数做显著性检验t检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设(没有自相关),那么就用这个新的(二元)自回归模型;如果有一个自相关系数的显著性t检验都拒绝原假设(有自相关),那么就要再引入一个季节性延迟变量,然后以新的(三元)自回归模型重新回归。这样周而复始,不断引入季节性延迟变量,最终总能使每一个自相关系数的显著性t检验都不能拒绝原假设。也就是说,自回归模型可以根本解决自相关的问题。(此处的二元,三元实际上指的是AR模型的阶数p)
8、自回归模型虽然解决了自相关的问题,但是带来了一个新的问题:只有平稳的时间序列数据才能做自回归,这是自回归模型的前提条件。CFA称平稳的时间序列数据为协方差恒定的时间序列数据(Covariance-stationary
series)。
9、时间序列数据要协方差恒定,有一个必要条件,就是必须要有一个均值回复水平(mean reverting
level)。对AR(1)模型,均值回复水平=b0/(1-b1)。如果b1=1,则该AR(1)模型不存在均值回复水平,这个时间序列数据也就不满足协方差恒定。因此,做了一个AR(1)模型之后,我们要用Dickey-Fuller检验来检验斜率系数b1是否显著不等于1(b1等于1称为单位根)。如果Dickey-Fuller检验可以拒绝原假设,那么就没有单位根,可以用这个AR(1)模型;如果Dickey-Fuller检验不能拒绝原假设,那么就有单位根,不可以用这个AR(1)模型,此时这个AR(1)模型称为随机游走模型。
10、随机游走模型(Random walk)有单位根b1等于1,因此不满足协方差恒定的前提条件,必须做一阶差分(First
differencing)。一阶差分最终能解决单位根的问题。
11、以上终于解决了自相关和单位根(协方差恒定)的问题。最后用自回归条件异方差模型(ARCH)能检测异方差的问题。
总结,进行时间序列分析的步骤:
线性趋势模型 --》 对数线性趋势模型 --》 自回归AR模型 --》 高阶自回归AR模型 --》 随机游走模型 --》
ARCH --》 GARCH
根源在于不同的模型,适用的条件是不同的,需要区别对待。
相关文章推荐
- 时间序列分析框架
- SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类
- SPSS统计分析过程包括描述性统计、均值比较、一般线性模型、相关分析、回归分析、对数线性模型、聚类分析、数据简化、生存分析、时间序列分析、多重响应等几大类
- 时间序列分析笔记(待整理)
- R语言 时间序列分析之ARIMA模型预测
- 用R分析时间序列(time series)数据
- 时间序列分析
- R语言与数据分析之六:时间序列简单介绍
- 金融时间序列分析:11. 模型分析小结
- R语言时间序列函数整理
- R时间序列分析包综合
- 时间序列分析之一次指数平滑法
- R中季节性时间序列分析及非季节性时间序列分析
- R语言学习笔记(一):时间序列分析
- [时间序列分析][3]--自相关系数和偏自相关系数
- R语言学习笔记:时间序列分析
- R语言时间序列分析
- SPSS时间序列:频谱分析
- 时间序列分析
- 利用python进行数据分析-时间序列1