金融时间序列分析:9. ARMA自回归移动平均模型
金融时间序列分析:8. MA模型实例(Python)
金融时间序列分析:7. MA滑动平均模型
金融时间序列分析:6. AR模型实例
金融时间序列分析:5. AR模型实例(Python)
金融时间序列分析:4. AR自回归模型
金融时间序列分析:3. First Demo By Python
金融时间序列分析:2. 数学分析模型
金融时间序列分析:1. 基础知识
接下来真是进入金融时间序列分析与预测阶段,可以说进入本篇算是正式入门了。
这里会聊聊一个最基本的模型——AR模型
AR模型:(Autoregressive Model)自回归模型,是时间序列分析模型中最简单的两个模型其中之一(另一个事MA模型)。
利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型
其中{ at }是均值为0,方差为 σ2 的白噪声序列。
or
期望
推导方法:直接对公式3.1两边求期望即可
把3.2带入3.1可以将AR模型公式改写为:
方差
推导方法:直接对公式3.1两边求方差即可
协方差
自相关函数
因为 |ρ1|=|ϕ1|≤1 ,所以 ρk 随着k的增大时不断衰减的,从显示意义上解释是:
越是久远的数据,对当前数据的印象越小
ACF表现如下:
令 yt=xt−μ ,带入3.3式得:
两步预测
(1)预测
多步预测
(1)预测
Particularly:
当 k→∞ 时:
ŷ n(k)→0,x(n)→μ
Var(en(k))=Var(rn)
or
期望
推导方法:直接对公式3.1两边求期望即可
把3.2带入3.1可以将AR模型公式改写为:
PS:
This form is often used in the finance literature to highlight the mean-reverting property of a stationary AR(2) model.
In finance, mean reversion is the assumption that a stock’s price will tend to move to the average price over time.
方差
推导方法:直接对公式3.1两边求方差即可
ACF
ρ0=1
ρ1=ϕ11−ϕ2
…
ρk=ϕ1ρk−1+ϕ2ρk−2,k≥2,.......4.5
平稳的时间序列,AR(2) ACF满足二阶差分方程:
其中B成为延时算子或滞后算子(backshift),
我们用ω1, ω2表示2个特征根(z的倒数),那么差分方程可以分解为
(1 - ω1B)(1-ω2B) = 0
这可以看成两个AR(1)模型的叠加。
当ω1和ω2非复数时,ACF程混合指数衰减,如下图(a)
当ω1和ω2为复数时,ACF呈减幅的正弦/余弦图像衰减,如图(b), (c), (d).
这种情况很常见,也很重要,因为通常通过计算其波动周期确定对应序列的周期性。
AR(1): |ϕ1|<1
AR(p):所有特征根的的模小于1
[1] MIT, Analysis of Financial Time Series
[2] https://en.wikipedia.org/wiki/Mean_reversion_(finance)
[3] 金融时间序列分析, Ruey S. Tray