金融时间序列分析:9. ARMA自回归移动平均模型

0. 目录

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


1. ARMA模型

ARMA简单理解就是AR模型和MA模型混合。
更加复杂的情况下:一个ARMA过程可能是AR与MA过程、几个AR过程、AR与ARMA过程的迭加,也可能是测度误差较大的AR过程。

ARMA(p, q)模型公式:
金融时间序列分析:9. ARMA自回归移动平均模型_第1张图片


2. ARMA(1,1)

2.1 模型公式

xt=ϕ0+ϕ1xt1+atθ1at1

or
(1ϕ1B)xt=ϕ0+(1θ1B)at

2.2 数学特征

ARMA(1,1)模型的统计性质和AR(1)模型类似,只是局部修改以适应MA(1)的影响。

期望
同AR模型

E(xt)=μ=ϕ01ϕ1

方差
假定 ϕ0=0

Var(xt)=(12ϕ1θ1+θ12)σ2a1ϕ21

自协方差

γ1ϕ1γ0=θ1σ2a

γlϕ)1γk1=0,k>1

自相关函数ACF

ρ1=ϕ1θ1σ2aγ0

ρk=ϕ1ρk1

ARMA(1,1)模型的ACF和AR(1)模型十分相似,不同之处在于ARMA(1, 1)的指数衰减是从2开始的,所以ARMA(1,1)不能在任意有限间隔后截尾。

  • ARMA(1,1)模型的平稳条件和AR(1)模型相同
  • ARMA(1,1)模型的ACF和AR(1)模型十分相似,不同之处在于ARMA(1, 1)的指数衰减是从2开始的
  • ARMA(1,1)模型的PACF和MA(1)的PACF表现相似,也不能在有限间隔后截尾

3. ARMA(p, q)

3.1 模型公式

金融时间序列分析:9. ARMA自回归移动平均模型_第2张图片

另外一种形式:
这里写图片描述

3.2 ARMA定阶

如前文所述,ACF和PACF都不能在有限间隔后截尾,那么无法对ARMA模型进行定阶。
为此提出了推广的ACF:EACF对ARMA模型进行定阶。
EACF是一个二维表,比如,ARMA(1,1)的理论EACF如下:
金融时间序列分析:9. ARMA自回归移动平均模型_第3张图片

一般地,ARMA(p,q)模型的p,q是由EACF表中“O”组成的三角形的左上定点位置决定。

4. 预测

ARMA(p,q)模型的预测和AR(p)模型的预测具有相似的特征。

超前一步预测
这里写图片描述

预测误差:

eh(1)=xh+1xh=ah+1

超前多步预测
这里写图片描述

li0 时, x̂ h(li)=xh+li

预测误差:
li>0 时, ah(li)=0
li0 时, ah(li)=ah+li
递推可以得到:

eh(l)=xh+lx̂ h(l)

5. 参考文献

[1] MIT, Analysis of Financial Time Series
[2] 金融时间序列分析, Ruey S. Tray
[3] 金融时间序列分析, 炼数成金

你可能感兴趣的:(量化投资,Python,金融,量化交易系统,ARMA,自回归移动平均模型,时间序列分析,预测)