非线性时间序列模型的波动性建模
Song-Yon Kim and Mun-Chol Kim
朝鲜平壤金日成综合大学数学学院
本文出自于2011年5日朝鲜平壤举行的第一届PUST国际会议
本版修订于2013年11月3日
摘要：在本文中的非线性时间序列模型被用来描述金融时间序列数据的波动。描述两种由波动的非线性时间序列组合成TAR（阈值自回归模型）与AARCH（非对称自回归条件异方差
模型）的误差项和参数估计的研究。
关键词：非线性时间序列模型；波动；ARCH（自回归条件异方差模型）；AARCH；TAR；QMLE（拟极大似然估计）
一介绍
在金融市场中，资产价格的波动是一个极其重要的变量，其建模在投资，货币政策，金融风险管理等方面中有重要意义
在投资持有期的资产价格波动的一个很好的预测是评价投资风险的一个很好的起点。资产价格波动是金融衍生证券定价的最重要的变量。对于定价我们需要知道的波动性范围是从现在相关资产，直至期权到期。事实上，市场惯例是根据波动单位列出价格期权。如今，波动性的定义和测量可能在衍生工具合约明确规定。在这些新的合同，波动成为潜在的“资产”。波动率模型已成为一个在金融时间序列模型分析的主要对象并且使许多科学家沉浸其中。
其中σ称为波动，在上面的公式中所示，σ准确估计成为期权定价和估计的一个非常重要的问题。此外，如对关联时间t 的波动σt 的估计等问题开始提出。
1982，罗伯特恩格尔提出了一个新的模型来用一个更准确的方法[ 7 ]对波动作出估计。他重视ARCH 模型中的误差项，这是大多线性时间序列模型如AR 、ARMA 、ARIMA 等所忽略的。同时他提出一种新的非线性模型，通过相加取代简单的白噪声，误差项的条件异方差性偏差的变化自动回归。误差项的条件异方差性偏差的 自动回归
1986年，Bollerslev 将Engle 的 ARCH (q)模型修改变为GARCH (p, q) model [8].
????
???++==∑∑==--q i p i i t i i t i t t t t t h h d i i z h z 112021..:,βεααε
在他的论文中，他提出了GARCH （1，1）过程中的存在，静止状态和MLE （最大似然估计）。
此后，大量ARCH 模型相继被开发出来，例如ARCH-M ，IGARCH 和LogGARCH 等。 在整个研究中，波动性已被证明是更受“坏消息”，而不是“好消息”的影响，也就是说，是不对称的，这导致对非对称模型的研究。
1991年，Nelson 提出了指数GARCH 模型（EGARCH ）描述了不对称冲击。[ 6 ]
()
()()x E x x x g g h t t t -+=-+-+=λωεγγ11h 10
但在许多研究论文，有效的参数估计和固定的条件是没有明确解释的，而且这种困难难以克服[ 9 ]。
但在1993，Glosten 开始使用阈值自回归条件异方差（TARCH ）模型和其后提出的许多非对称模型[ 2 ]，试图对不对称的波动进行建模。
特别是在2003年，Wai Mi Bei 开发了非对称ARCH （q ）模型[ 10 ]。
()∑∑==---+++=q i p j j t j i
t i i t i t h 1120H γεβεαα
直到现在，持续的研究正在努力拟出更好的波动模型以显示各种ARCH 模型的影响。 在本文中，利用非线性时间序列模型的波动性建模是基于对前人研究成果分析的观察而得出。
众所周知的，波动性和其他金融时间序列数据可以被ARCH 模型很好地描述。同时，这些数据在一定的时间点有系统的变化。例如，亚洲金融危机之后金融时间序列数据的突然改变，以及美国的住房危机等。
反映这类系统的改变的最典型的模型是阈值自回归模型（TAR ）模型。该模型的概念的第一次提出是在1953年由P. A. P. Modern 提出的模仿的加拿大猞猁生态数据的不能被线性模型解答的问题。1983年，为解决这一问题在，H.tong 在一个框架分析了时间序列数据，提出以往的研究方法的限制，证明时间序列数据的各种线性模型具有不同范围的组合能具有更好的效果。
针对加拿大猞猁的生态系统，他提出了下面的模型。
()()
.25.0,0~,2.0,0~,25.3,24.152.125.225.3,43.025.162.022221221N N x x x x x x x t t t t t t t t t t t '?????>'+-+≤+-+=------εεεε
同时，他也表明，如果从1749到1924年太阳黑子的数量的原始数据的使用Box-Cox 变换，或可以通过以下模型描述
???????>++-+≤++++-+--+-++=----------------9824.11,0554.08408.04431
.12746.49824.11,0873.00091.02116.02701.01875.00005.0985.11479.03153.00728.08416.09191.1x 832181110987654321t t t t t t t t t t t t t t t t t t t x x x x x x x x x x x x x x x x εε 这是数据分析伴随着系统的变化而进步的一个巨大贡献。
如模型中显示，TAR 模型已改为基于阈值（以上模型中的11.9824）与一定的时间延迟（在上述模型中的9）并成为完全删除以前的线性度的非线性时间序列模型的起源。
因此，我们认为，如果我们要对某些事件如金融危机后的波动数据建立模型，将TAR 模型和AARCH 模型在同一结构上结合能得到更好的预测效果。
在本文中，我们提出了TAR-AARCH （阈值自回归—不对称自回归条件异方差）模型
(1)-(3)来描述波动。
()()()
????????
???>>++==+∈???? ??+=∑∑∑---=-=-known q p q h N d i i z h z R x x q i t i t i i t i t t t t t
t j t
j d t p k k t jk j t :,,0,01,0,,,:,1x 02021010αεβεααεε?? 其中l t t t ,,,21???，间隔序列???=,2,1,j R j 如下
(](](](]()????∈=∈+∞=???==∞-=-A
x A x A x t R t t R t t R t R l l ,0,11,,,,,,,,,132321211 如模型(1)-(3)显示，(1)是TAR 模型及其误差，(2)和(3)是aarch 模型。换句话说，模型
(1)-(3)形成的TAR 模型包括非对称ARCH 效应。
同时也考虑到模型的似然函数的完整的形式是不可能的，基于QMLE （拟极大似然估计）的适当的参数估计方法已经建立和估计的渐近正态性，已证明了这tar-aarch 模型的适用性。然后，通过在TAR 模型小波估计出延迟时间和阈值参数后，它可以估计出组合成tar-aarch 模型的所有参数[ 5 ]。
二 TAR-ARCH 模型的参数估计
为了对模型使用QMLE ，我们首先需要找到
jk t i t i t jk t t t h h ?εαεαε?α??????????,,,,.但由公式(3)显示，()jk
t h ?θ??并不能被估计出，因为jk ?含有绝对值项，因此，通常会发现QMLE 的参数估计是无效的。
但如果对用于(1)-(3)中的QMLE 进行集中处理，这个问题是可以解决的。此时，
()q q ββααα,,,10??????=?，，被固定，QMLE 集中()lp ??θ???=?,10，可以得到(1)，且可以观察到它的渐近正态性。 如果我们假设()lp ??θ???=?,10是已知的， QMLE 对t x 集中为α，得到它的渐近正态性的证明，那么我们就可以通过两个步骤获得的参数1θ和α估计。
()()()
321
但我们应该能够确定是否有这样的估计可以被假定为参数的估计，如果是这样，与拟极大似然估计的差值是多少。为此，用拟极大似然估计法得到的TAR-ARCH 模型参数和它的渐近正态性已被分为基于上述方法得到集中拟极大似然估计和渐近正态性，对每个参数和结果可以与从[4]得到的拟极大似然估计比较，证明该方法的效率。
1.TAR-ARCH 模型中的集中拟极大似然估计法
使
()()
lp l p p q ???????θαααα,,,,,,,,,,,
,,,122011110110????????????=???=??
如果TAR-ARCH 模型是已知的，则集中QML 方程的转化： ()()()()()()?????????===∈=∈∑∑-----n t j d
t k t t t n t j d t t t p
k l j R x x h R x h 1111,1,,1010
11αθεθεα
定理1：在模型(1)-(3)中，让n
,1?θ作为QML 的估计，当α已知则集中在1θ，并满足强平稳条件。
Θ∈Θ∈Θ∈n
,11?,,θαθ 当α已知时，Θ∈0,1θ是模型(1)-(3)的真实估计，此时
()()()0,110,1,10,1,1,0~?2,?1θθθθθ--→I N n n P
n
同理，对α的集中拟极大似然估计和它的渐近正态性可由定理通过同样的方法证明。 我们可以发现拟极大似然估计与集中拟极大似然估计的差别。
为此，采用QMLE 获得的参数（TAR-ARCH ）可转化为
()αθ~~1，，它的Fisher 信息矩阵()()αθθ~,~111--=I I 可以与上述的集中QMLE 的Fisher 信息矩阵()()αθ11--=I I 相比较以证明两者之间的关系。
()()[]()()[]10,1,110,1,1?var ~var --->-θθθθ
n n n n ()(
)[]()()[]1010~var ?var --->-ααααn n n n (n ,1~θ,n
α~:子函数的拟极大似然估计) 因此可以得出结论，如果子参数使用上面的方法获得了无法使用拟极大似然估计进行估计的TAR-AARCH 模型的集中拟极大似然估计，那么得到的估计可以接受，虽然效率略有减少。
2. 集中拟极大似然估计法在TAR-AARCH 模型的渐近正态性
易知，在模型(1)-(3)中，如果α已知，集中QML 方程是如下
()()()()()
()?????
??????===∈=∈∑∑=--=-p k l j R x x h R x h n t j d t k t t t n t j d t t t
,1,,1010
111111αθεθεα 则可以证明以下定理。
定理2：在模型(1)-(3)，α 是已知的， n ,1θ是集中在1θ QML 估计。同时，它对
Θ∈Θ∈αθθ,,,1n 满足强平稳条件。如果当α已知时0,1θ是模型(1)-(3)的真实估计，则其后估计也为真实估计。对α的集中拟极大似然估计是能够得到结果的，且它的渐近正态性能通过同样的方法证明。
三 结论
在本文中，首先，两种类型的非线性模型，即TAR模型和非对称ARCH模型组合成了TAR-AARCH模型，并用一个更有效的方式描述了波动。第二，对各种困难的组合模型产生的不对称性提出了适当的参数估计方法。
四相关文献
1. Black F, M. Scholes, The pricing of options and corporate liabilities, Journal of Political Economy, 81, 1973, 637-653
2. Glosten L.R, Jagannathan R, Runkle P.E, On the relation between the expected value and the nominal excess return on stock, Journal of Finance, 48, 1993, 1779-1801
3. H. Tong, Non-linear time series: A Dynamical system approach, Clarendon Press, Oxford, 1990
4. Kim, Song-Yon; Threshold AR with Asymmetric ARCH type Error (in Korean), Dissertation for ph D, 2007
5. Kim, Song-Yon and Kim, Mun-Chol, The identification of Thresholds and Time delay in Self-Exciting TAR model by Wavelet, International Symposium in Commemoration of the 65 th Anniversary of the Foundation of Kim Il Sung University (Mathematics), 20－21. Sep. Juche100(2011) Pyongyang DPR Korea, arXiv
1303.4867[math-ph]
6. Nelson D, Conditional Heteroskedasticity in asserts: a new approach, Econometrica, 59, 1991, 347-370
7. Robert F. Engle, Risk and volatility: Economic models and financial practice, Nobel lecture, Stockholm, December 8, 29, 2003
8. Tim Bollerslev, Generalized autoregressive conditional heteroskedasticity, Journal of Econometrics, 31, 1986, 307-327
9. W.Hardle, T, Kleinow, G.Stahl, Applied Quantitative Finance: Theory and computational tools, Springer, 2002
10. 刘继春, 一个非对成GARCH 模型的严平稳遍历性, 厦门大学学报(自然科学版), 42, 2003, 2-15
应用时间序列分析实验报告
单位根检验输出结果如下：序列x的单位根检验结果：
1967 58.8 53.4 1968 57.6 50.9 1969 59.8 47.2 1970 56.8 56.1 1971 68.5 52.4 1972 82.9 64.0 1973 116.9 103.6 1974 139.4 152.8 1975 143.0 147.4 1976 134.8 129.3 1977 139.7 132.8 1978 167.6 187.4 1979 211.7 242.9 1980 271.2 298.8 1981 367.6 367.7 1982 413.8 357.5 1983 438.3 421.8 1984 580.5 620.5 1985 808.9 1257.8 1986 1082.1 1498.3 1987 1470.0 1614.2 1988 1766.7 2055.1 1989 1956.0 2199.9 1990 2985.8 2574.3 1991 3827.1 3398.7 1992 4676.3 4443.3 1993 5284.8 5986.2 1994 10421.8 9960.1 1995 12451.8 11048.1 1996 12576.4 11557.4 1997 15160.7 11806.5 1998 15223.6 11626.1 1999 16159.8 13736.5 2000 20634.4 18638.8 2001 22024.4 20159.2 2002 26947.9 24430.3 2003 36287.9 34195.6 2004 49103.3 46435.8 2005 62648.1 54273.7 2006 77594.6 63376.9 2007 93455.6 73284.6 2008 100394.9 79526.5 run; proc gplot; plot x*t=1 y*t=2/overlay; symbol1c=black i=join v=none; symbol2c=red i=join v=none w=2l=2; run; proc arima data=example6_4; identify var=x stationarity=(adf=1); identify var=y stationarity=(adf=1); run; proc arima; identify var=y crrosscorr=x; estimate methed=ml input=x plot; forecast lead=0id=t out=out; proc aima data=out; identify varresidual stationarity=(adf=2); run;
时间序列预测模型时间序列是指把某一变量在不同时间上的数值按时间先后顺序排列起来所形成的序列,它的时间单位可以是分、时、日、周、旬、月、季、年等。时间序列模型就是利用时间序列建立的数学模型，它主要被用来对未来进行短期预测，属于趋势预测法。一、简单一次移动平均预测法例1.某企业1月~11月的销售收入时间序列如下表所示.取n 4,试用简单一次移动平均法预测第12月的销售收入,并计算预测的标准误差. 二、加权一次移动平均预测法简单一次移动平均预测法，是把参与平均的数据在预测中所起的作用同等对待，但参与平均的各期数据所起的作用往往是不同的。为此，需要采用加权移动平均法进行预测，加权一次移动平均预测法是其中比较简单的一种。三、指数平滑预测法 1、一次指数平滑预测法一元线性回归模型 * 项数n的数值,要根据时间序列的特点而定,不宜过大或过小.n过大会降低移动平均数的敏感性,影响预测的准确性;n过小,移动平均数易受随机变动的影响,难以反映实际趋势.一般取n的大小能包含季节变动和周期变动的时期为好,这样可消除它们的影响.对于没有季节变动和周期变动的时间序列,项数n的取值可取较大的数;如果历史数据的类型呈上升或下降型的发展趋势,则项数n的数值应取较小的数,这样能取得较好的预测效果. 1102.7 1015.1 963.9 892.7 816.4 772.0 705.1 649.8 606.9 574.6 533.8 销售收入 11 10 9 8 7 6 5 4 3 2 1 月份 t 158542.7 993.6 12 12950.4 19016.4 17662.4 24617.6 27989.3
一案例分析的目的 本案例选取2001年1月，到2013年我国铁路运输客运量月度数据来构建ARMA模型，并利用该模型进行外推预测分析。 二、实验数据 数据来自中经网统计数据库
数据来源：中经网数据库 三、ARMA 模型的平稳性 首先绘制出N 的折线图，如图 从图中可以看出，N 序列具有较强的非线性趋势性，因此从图形可以初步判断该序列是非平
稳的。此外，N在每年同期出现相同的变动方式，表明N还存在季节性特征。下面对N 的平稳性和季节季节性进行进一步检验。 四、单位根检验 为了减少N 的变动趋势以及异方差性，先对N进行对数处理，记为LN其曲线图如下：GENR LN = LOG(N) 对数后的N趋势性也很强。下面观察N 的自相关表，选择滞后期数为36，如下： 从上图可以看出，LN的PACF只在滞后一期是显著的ACF随着阶数的增加慢慢衰减至0，因此从偏/自相关系数可以看出该序列表现一定的平稳性。进一步进行单位根检验，打开LN选择存在趋势性的形式，并根据AIC自动选择滞后阶数，单位根检验结果如下：
T统计值的值小于临界值，且相伴概率为0.0001，因此该序列不存在单位根，即该序列是平稳序列。 五、季节性分析 趋势性往往会掩盖季节性特征，从LN的图形可以看出，该序列具有较强的趋势性，为了分析季节性，可以对LN进行差分处理来分析季节性： Genr = DLN = LN – LN (-1) 观察DLN的自相关表，如下：
DLN在之后期为6、12、18、24、30、36处的自相关系数均显著异于0，因此，该序列是以周期6呈现季节性，而且季节自相关系数并没有衰减至0，因此，为了考虑这种季节性，进行季节性差分： GENR SDLN = DLN – DLN(-6) 再做关于SDLN的自相关表，如下： SDLN在滞后期36之后的季节ACF和PACF已经衰减至0，下面对SDLN建立SARMA模型。 六、滞后阶数的初步确定 观察SDLN的自相关、偏自相关图，ACF 和PACF在滞后期1和滞后期6还有滞后期12异于0，其余均与0无异，因此，SARMA(p,q)（k,m）s 中p和q均不超过1，k和m均不超过2.6考虑到高洁移动平均模型估计较为困难，而且自回归模型的检验可以表示无穷的移动平均过程，因此q尽可能取较小的取值。本例拟选择SARMA(1,0)(1,0)6、SARMA(1,0)(1,1)6、SARMA(1,0)(1,2)6、SARMA(1,0)(2,1)6、SARMA(1,1)(1,0)6、SARMA(1,1)(1,1)6、SARMA(1,1)(1,2)6、SARMA(1,1)(0,1)6八个模型来拟合SDLN。
近代时间序列分析选讲: 一. 非线性时间序列 二. GARCH模型 三. 多元时间序列 四. 协整模型
非线性时间序列 第一章.非线性时间序列浅释 1.从线性到非线性自回归模型 2.线性时间序列定义的多样性第二章. 非线性时间序列模型 1. 概述 2. 非线性自回归模型 3.带条件异方差的自回归模型 4.两种可逆性 5.时间序列与伪随机数 第三章.马尔可夫链与AR模型 1. 马尔可夫链 2. AR模型所确定的马尔可夫链 3. 若干例子 第四章. 统计建模方法 1. 概论 2. 线性性检验 3.AR模型参数估计 4.AR模型阶数估计 第五章. 实例和展望 1. 实例 2.展望
第一章.非线性时间序列浅释 1. 从线性到非线性自回归模型 时间序列{x t}是一串随机变量序列, 它有广泛的实际背景, 特别是在经济与金融领域中尤其显著. 关于它们的从线性与非线性概念, 可从以下的例子入手作一浅释的说明. 考查一阶线性自回归模型---LAR(1): x t=αx t-1+e t, t=1,2,…(1.1) 其中{e t}为i.i.d.序列，且Ee t=0, Ee t=σ2<∞, 而且e t与{x t-1,x t-1,…}独立. 反复使用(1.1)式的递推关系, 就可得到 x t=αx t-1+e t = e t + αx t-1 = e t + α{ e t-1 + αx t-2} = e t + αe t-1 + α2 x t-2 =… = e t + αe t-1 + α2e t-2
+…+ αn-1e t-n+1 +αn x t-n. (1.2) 如果当n→∞时, αn x t-n→0, (1.3) {e t+αe t-1+α2e t-2+…+αn-1e t-n+1} →∑j=0∞αj e t-j . (1.4) 虽然保证以上的收敛是有条件的, 而且要涉及到具体收敛的含义, 但是, 对以上的简单模型, 不难相信, 当|α|<1时, (1.3)(1.4)式成立. 于是, 当|α|<1时, 模型LAR(1)有平稳解, 且可表达为 x t=∑j=0∞αj e t-j . (1.5) 通过上面叙述可见求LAR(1)模型的解有简便之优点, 此其一. 还有第二点, 容易推广到LAR(p)模型. 为此考查如下的p阶线性自回归模型LAR(p):
非线性时间序列模型的波动性建模 Song-Yon Kim and Mun-Chol Kim 朝鲜平壤金日成综合大学数学学院 本文出自于2011年5日朝鲜平壤举行的第一届PUST国际会议 本版修订于2013年11月3日 摘要：在本文中的非线性时间序列模型被用来描述金融时间序列数据的波动。描述两种由波动的非线性时间序列组合成TAR（阈值自回归模型）与AARCH（非对称自回归条件异方差 模型）的误差项和参数估计的研究。 关键词：非线性时间序列模型；波动；ARCH（自回归条件异方差模型）；AARCH；TAR；QMLE（拟极大似然估计） 一介绍 在金融市场中，资产价格的波动是一个极其重要的变量，其建模在投资，货币政策，金融风险管理等方面中有重要意义 在投资持有期的资产价格波动的一个很好的预测是评价投资风险的一个很好的起点。资产价格波动是金融衍生证券定价的最重要的变量。对于定价我们需要知道的波动性范围是从现在相关资产，直至期权到期。事实上，市场惯例是根据波动单位列出价格期权。如今，波动性的定义和测量可能在衍生工具合约明确规定。在这些新的合同，波动成为潜在的“资产”。波动率模型已成为一个在金融时间序列模型分析的主要对象并且使许多科学家沉浸其中。
其中σ称为波动，在上面的公式中所示，σ准确估计成为期权定价和估计的一个非常重要的问题。此外，如对关联时间t 的波动σt 的估计等问题开始提出。 1982，罗伯特恩格尔提出了一个新的模型来用一个更准确的方法[ 7 ]对波动作出估计。他重视ARCH 模型中的误差项，这是大多线性时间序列模型如AR 、ARMA 、ARIMA 等所忽略的。同时他提出一种新的非线性模型，通过相加取代简单的白噪声，误差项的条件异方差性偏差的变化自动回归。误差项的条件异方差性偏差的 自动回归 1986年，Bollerslev 将Engle 的 ARCH (q)模型修改变为GARCH (p, q) model [8]. ???? ???++==∑∑==--q i p i i t i i t i t t t t t h h d i i z h z 112021..:,βεααε 在他的论文中，他提出了GARCH （1，1）过程中的存在，静止状态和MLE （最大似然估计）。 此后，大量ARCH 模型相继被开发出来，例如ARCH-M ，IGARCH 和LogGARCH 等。 在整个研究中，波动性已被证明是更受“坏消息”，而不是“好消息”的影响，也就是说，是不对称的，这导致对非对称模型的研究。 1991年，Nelson 提出了指数GARCH 模型（EGARCH ）描述了不对称冲击。[ 6 ] () ()()x E x x x g g h t t t -+=-+-+=λωεγγ11h 10 但在许多研究论文，有效的参数估计和固定的条件是没有明确解释的，而且这种困难难以克服[ 9 ]。 但在1993，Glosten 开始使用阈值自回归条件异方差（TARCH ）模型和其后提出的许多非对称模型[ 2 ]，试图对不对称的波动进行建模。 特别是在2003年，Wai Mi Bei 开发了非对称ARCH （q ）模型[ 10 ]。 ()∑∑==---+++=q i p j j t j i t i i t i t h 1120H γεβεαα 直到现在，持续的研究正在努力拟出更好的波动模型以显示各种ARCH 模型的影响。 在本文中，利用非线性时间序列模型的波动性建模是基于对前人研究成果分析的观察而得出。
实验：建立ARIMA模型（综合性实验） 实验题目：某城市连续14年的月度婴儿出生率数据如下表所示： 26.663 23.598 26.931 24.740 25.806 24.364 24.477 23.901 23.175 23.227 21.672 21.870 21.439 21.089 23.709 21.669 21.752 20.761 23.479 23.824 23.105 23.110 21.759 22.073 21.937 20.035 23.590 21.672 22.222 22.123 23.950 23.504 22.238 23.142 21.059 21.573 21.548 20.000 22.424 20.615 21.761 22.874 24.104 23.748 23.262 22.907 21.519 22.025 22.604 20.894 24.677 23.673 25.320 23.583 24.671 24.454 24.122 24.252 22.084 22.991 23.287 23.049 25.076 24.037 24.430 24.667 26.451 25.618 25.014 25.110 22.964 23.981 23.798 22.270 24.775 22.646 23.988 24.737 26.276 25.816 25.210 25.199 23.162 24.707 24.364 22.644 25.565 24.062 25.431 24.635 27.009 26.606 26.268 26.462 25.246 25.180 24.657 23.304 26.982 26.199 27.210 26.122 26.706 26.878 26.152 26.379 24.712 25.688 24.990 24.239 26.721 23.475 24.767 26.219 28.361 28.599 27.914 27.784 25.693 26.881 26.217 24.218 27.914 26.975 28.527 27.139 28.982 28.169 28.056 29.136 26.291 26.987 26.589 24.848 27.543 26.896 28.878 27.390 28.065 28.141 29.048 28.484 26.634 27.735 27.132 24.924 28.963 26.589 27.931 28.009 29.229 28.759 28.405 27.945 25.912 26.619 26.076 25.286 27.660 25.951 26.398 25.565 28.865 30.000 29.261 29.012 26.992 27.897 （1）选择适当模型拟和该序列的发展 （2）使用拟合模型预测下一年度该城市月度婴儿出生率 实验内容： 给出实际问题的非平稳时间序列，要求学生利用R统计软件，对该序列进行分析，通过平稳性检验、差分运算、白噪声检验、拟合ARMA模型，建立ARIMA模型，在此基础上进行预测。 实验要求： 处理数据，掌握非平稳时间序列的ARIMA建模方法，并根据具体的实验题目要求完成实验报告，并及时上传到给定的FTP和课程网站。 实验步骤： 第一步：编程建立R数据集； 第二步：调用plot.ts程序对数据绘制时序图。 第三步：从时序图中利用平稳时间序列的定义判断是否平稳？ 第四步：若不满足平稳性，则可利用差分运算是否能使序列平稳？重复第三步步骤第五步：根据Box.test纯随机检验结果，利用LB统计量和白噪声特性检验最后处理的
第5章 单变量非线性时间序列模型 §1 随机波动率模型 一． 乘积过程 t t t x U m s =+ 其中t U 一个标准化过程，即()()0,1t t E U V U ==。t s 是一个正随机变量的序列。这种类型的过程称之为乘积过程。 因为()2t t t V x s s =，因此t s 是随机过程t x 的标准差。 现在看偏微分方程 ()()log dP d P dt dW P m s ==+ 其中()log t t x P =D ，()W t 为标准布朗运动。它是通常的金融资产定价的扩散过程。离散情况1dt =，所以它是一个乘积过程。 假设()t t t U x m s =-服从正态分布，且独立于t s ，则 ()()()()()2 2 2 2 2 2 t t t t t t E x E U E E U E m s s s -=== ()()()()()0 t t k t t k t t k t t k t t k E x x E U U E U E U m m s s s s -------== = 但平方误差()2 t t S x m =-却自相关： ()()()()()cov ,t t k t t t k t S S E S E S S E S --=-- ()()() ()()()()()()() 2 2 222222 22t t k t t t k t t k t t t k t E S S E S E E U U E E E s s s s s s ----=-=-=- 此时 ()()() ()()() 2 22,42 t t k t k S t t E E E E s s s r s s --= -
时间序列模型 Company number：【WTUT-WT88Y-W8BBGB-BWYTT-19998】
时间序列模型 一、分类 ①按所研究的对象的多少分，有一元时间序列和多元时间序列。 ②按时间的连续性可将时间序列分为离散时间序列和连续时间序列两种。 ③按序列的统计特性分，有平稳时间序列和非平稳时间序列。 狭义时间序列：如果一个时间序列的概率分布与时间t 无关。 广义时间序列：如果序列的一、二阶矩存在，而且对任意时刻t 满足均值为常数和协方差为时间间隔τ的函数。（下文主要研究的是广义时间序列）。 ④按时间序列的分布规律来分，有高斯型时间序列和非高斯型时间序列。 二、确定性时间序列分析方法概述 时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势的。一个时间序列往往是以下几类变化形式的叠加或耦合。 ①长期趋势变动：它是指时间序列朝着一定的方向持续上升或下降，或停留在某一水平上的倾向，它反映了客观事物的主要变化趋势。通常用T t表示。 ②季节变动：通常用S t表示。 ③循环变动：通常是指周期为一年以上，由非季节因素引起的涨落起伏波形相似的波动。通常用C t表示。 ④不规则变动。通常它分为突然变动和随机变动。通常用R t表示。也称随机干扰项。 常见的时间序列模型： ⑴加法模型：y t=S t+T t+C t+R t； ⑵乘法模型：y t=S t·T t·C t·R t； ⑶混合模型：y t=S t·T t+R t；y t=S t+T t·C t·R t；R t2 这三个模型中y t表示观测目标的观测记录，E(R t)=0,E(R t2)=σ2 如果在预测时间范围以内，无突然变动且随机变动的方差σ2较小，并且有理由认为过去和现在的演变趋势将继续发展到未来时，可用一些经验方法进行预测。 三、移动平均法 当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法，消除这些因素的影响，分析、预测序列的长期趋势。 移动平均法有简单移动平均法，加权移动平均法，趋势移动平均法等。 、简单移动平均法 当预测目标的基本趋势是在某一水平上下波动时，可用一次简单移动平均方法建立预测模型： 其预测目标的标准差为：
-------------精选文档 ----------------- 近代时间序列分析选讲: 一. 非线性时间序列 二. GARCH 模型 三. 多元时间序列 四. 协整模型
-------------精选文档 ----------------- 非线性时间序列 第一章 .非线性时间序列浅释 1.从线性到非线性自回归模型 2.线性时间序列定义的多样性第二章 . 非线性时间序列模型 1.概述 2.非线性自回归模型 3.带条件异方差的自回归模型 4.两种可逆性 5.时间序列与伪随机数 第三章 . 马尔可夫链与 AR 模型 1.马尔可夫链 2.AR 模型所确定的马尔可夫链
-------------精选文档 ----------------- 3.若干例子 第四章 . 统计建模方法 1.概论 2.线性性检验 3.AR 模型参数估计 4.AR 模型阶数估计 第五章 . 实例和展望 1.实例 2.展望 第一章 .非线性时间序列浅释 1.从线性到非线性自回归模型 时间序列 {x t } 是一串随机变量序列 , 它有广泛的实际背景 , 特别是在经济与金融
-------------精选文档 ----------------- 领域中尤其显著. 关于它们的从线性与非线 性概念 , 可从以下的例子入手作一浅释的说 明. 考查一阶线性自回归模型---LAR(1): x t = x t-1 +e t ,t=1,2, (1.1) 其中 {e t } 为i.i.d.序列，且Ee t =0, Ee t = 2 <, 而且e t与 {x t-1 ,x t-1 ,} 独立 . 反复使用 (1.1) 式的递推关系 , 就可得到 x t =x t-1 +e t =e =e =e t t t +x t-1 +{ e t-1 +x t-2 } +e t-1 + 2 x t-2
第六章 时间序列的平滑 引论 上一章我们引进非参数函数估计的基本概念，现在将它应用到时间序列别的重要平滑问题上. 对估计慢变化时间趋势，平滑技术是有用的图示工具，它产生了时域平滑（§）. 对将来事件和与之相联系的现在与过去变量之间的关系的非参数统计推断导致了§的状态域平滑. § 引入的样条方法是对§引入的局部多项式方法的有用替代. 这此方法能够容易地推广到时间序列的条件方差（波动性）的估计，甚至整个条件分布的估计，参阅§. 时域平滑 6.2.1 趋势和季节分量 分析时间序列的第一步是画数据图. 这种方法使得人们可以从视觉上检查一个时间序列是否像一个平稳随机过程. 如果观察到趋势或季节分量，在分析时间序列之前通常要将它们分离开来. 假定时间序列{}t Y 能够分解成 t t t t Y f s X =++， （） 其中t f 表示慢变函数，称为“趋势分量”，t s 是周期函数，称为“季节分量”，t X 是随机分量，它被假定是零均值的平稳序列. 在使用这种分解之前，可以先用方差稳定变换或Box-Cox 变换. 这类幂变换有如下以参数λ为指标的形式 ,0,()log(),0, u g x u λλλ?≠=?=? （） 或具有在0λ=点处连续的变换形式 ()(1)/g u u λλ=-. 这类变换由Box 和Cox （1964）给出. 注意，由在幂变换中数据必须是非负的，因此，在使用幂变换之前，可能必须先实施平移变换. 我们的目的是估计和提取确定性分量t f 和t s . 我们希望残差分量t X 是平稳的， 且能够用线性和非线性技术做进一步的分析. 通过推广Box 和Jenkins （1970）而发展的一个替代方法是对时间序列{}t Y 重复应用差分算子，直到被差分的序列表现为平稳为止. 这时，被差分的序列可以进一步平衡时间序列技术来处理. 作为说明Box 和Jenkins 方法的一个例子，我们先取S&P500指数的对数变换，然后计算一阶差分. 图给出了这个预处理序列. 所得序列基本上是该指数中变化的每日价格的百分比. 除了几个异常值（即1987年10月19日%的市场崩盘，金融市场称之为“黑色星期一”）外，这个序列显示出平稳性. 这个变换与金融工程中常用资产定价的几何布朗运动模型的离散化有关. 图 1972年1月3日至1999年12月31日（上图）和1999年1月4日至 1999年12月31日（下图）S&P500指数对数变换的差分
第六节时间序列模型的建立与预测 ARIMA过程y t用 Φ (L) (Δd y t)= α+Θ(L) u t 表示，其中Φ (L)和Θ (L)分别是p, q阶的以L为变数的多项式，它们的根都在单位圆之外。α为Δd y t过程的漂移项，Δd y t表示对y t 进行d次差分之后可以表达为一个平稳的可逆的ARMA 过程。这是随机过程的一般表达式。它既包括了AR，MA 和ARMA过程，也包括了单整的AR，MA和ARMA过程。 可取 图建立时间序列模型程序图 建立时间序列模型通常包括三个步骤。（1）模型的识别，（2）模型参数的估计，（3）诊断与检验。
模型的识别就是通过对相关图的分析，初步确定适合于给定样本的ARIMA模型形式，即确定d, p, q的取值。 模型参数估计就是待初步确定模型形式后对模型参数进行估计。样本容量应该50以上。 诊断与检验就是以样本为基础检验拟合的模型，以求发现某些不妥之处。如果模型的某些参数估计值不能通过显著性检验，或者残差序列不能近似为一个白噪声过程，应返回第一步再次对模型进行识别。如果上述两个问题都不存在，就可接受所建立的模型。建摸过程用上图表示。下面对建摸过程做详细论述。 1、模型的识别 模型的识别主要依赖于对相关图与偏相关图的分析。在对经济时间序列进行分析之前，首先应对样本数据取对数，目的是消除数据中可能存在的异方差，然后分析其相关图。 识别的第1步是判断随机过程是否平稳。由前面知识可知，如果一个随机过程是平稳的，其特征方程的根都应在单位圆之外；如果 (L) = 0的根接近单位圆，自相关函数将衰减的很慢。所以在分析相关图时，如果发现其衰减很慢，即可认为该时间序列是非平稳的。这时应对该时间序列进行差分，同时分析差分序列的相关图以判断差分序列的平稳性，直至得到一个平稳的序列。对于经济时间序列，差分次数d通常只取0，1或2。 实际中也要防止过度差分。一般来说平稳序列差分得到的仍然是平稳序列，但当差分次数过多时存在两个缺点，（1）序列的样本容量减小；（2）方差变大；所以建模过程中要防止差分过度。对于一个序列，差分后若数据的极差变大，说明差分过度。 第2步是在平稳时间序列基础上识别ARMA模型阶数p, q。表1给出了不同ARMA模型的自相关函数和偏自相关函数。当然一个过程的自相关函数和偏自相关函数通常是未知的。用样本得到的只是估计的自相关函数和偏自相关函数，即相关图和偏相关图。建立ARMA模型，时间序列的相关图与偏相关图可为识别模型参数p, q提供信息。相关图和偏相关图（估计的自相关系数和偏自相关系数）通常比真实的自相关系数和偏自相关系数的方差要大，并表现为更高的自相关。实际中相关图，偏相关图的特征不会像自相关函数与偏自相关函数那样“规范”，所以应该善于从相关图，偏相关图中识别出模型的真实参数p, q。另外，估计的模型形式不是唯一的，所以在模型识别阶段应多选择几种模型形式，以供进一步选择。
最新卓越管理方案您可自由编辑
Wold 分解定理：任何协方差平稳过程x t ，都可以被表示为 x t - μ - d t = u t + ψ1 u t -1+ ψ2 u t -2 + … + = ∑∞ =-0 j j t j u ψ 其中μ 表示x t 的期望。d t 表示x t 的线性确定性成分，如周期性成分、时间t 的多项式和指数形式等，可以直接用x t 的滞后值预测。ψ0 = 1，∑ ∞ =0 2 j j ψ< ∞。u t 为白噪声过程。u t 表示用x t 的滞后项预测x t 时的误差。 u t = x t - E(x t | x t -1, x t -2 , …) ∑ ∞=-0 j j t j u ψ称为x t 的线性非确定性成分。当d t = 0时，称x t 为纯线性非确定性过程。 Wold 分解定理由Wold 在1938年提出。Wold 分解定理只要求过程2阶平稳即可。从原 理上讲，要得到过程的Wold 分解，就必须知道无限个ψj 参数，这对于一个有限样本来说是不可能的。实际中可以对ψj 做另一种假定，即可以把ψ (L )看作是2个有限特征多项式的比， ψ(L ) =∑ ∞ =0 j j j L ψ=)()(L L ΦΘ=p p q q L L L L L L φφφθθθ++++++++...1...1221221 注意，无论原序列中含有何种确定性成分，在前面介绍的模型种类中，还是后面介绍的 自相关函数、偏自相关函数中都假设在原序列中已经剔除了所有确定性成分，是一个纯的随机过程（过程中不含有任何确定性成分）。如果一个序列如上式， x t = μ + d t + u t + ψ1 u t -1+ ψ2 u t -2 + … + 则所有研究都是在y t = x t - μ - d t 的基础上进行。例如前面给出的各类模型中都不含有均值项、时间趋势项就是这个道理。 2.3 自相关函数 以上介绍了随机过程的几种模型。实际中单凭对时间序列的观察很难确定其属于哪一种模型，而自相关函数和偏自相关函数是分析随机过程和识别模型的有力工具。 1. 自相关函数定义 在给出自相关函数定义之前先介绍自协方差函数概念。由第一节知随机过程{x t }中的每一个元素x t ，t = 1, 2, … 都是随机变量。对于平稳的随机过程，其期望为常数，用 μ 表示，即 E(x t ) = μ, t = 1, 2, … (2.25) 随机过程的取值将以 μ 为中心上下变动。平稳随机过程的方差也是一个常量 Var(x t ) = E [(x t - E(x t ))2 ] = E [(x t - μ)2 ] = σx 2 , t = 1, 2, … (2.26) σx 2用来度量随机过程取值对其均值 μ 的离散程度。 相隔k 期的两个随机变量x t 与x t - k 的协方差即滞后k 期的自协方差，定义为 γk = Cov (x t , x t - k ) = E[(x t - μ ) (x t - k - μ ) ] (2.27) 自协方差序列 γk , k = 0, 1, …, K , 称为随机过程 {x t } 的自协方差函数。当k = 0 时 γ0 = Var (x t ) = σx 2 自相关系数定义
时间序列模型 一、分类 ①按所研究的对象的多少分，有一元时间序列和多元时间序列。 ②按时间的连续性可将时间序列分为离散时间序列和连续时间序列两种。 ③按序列的统计特性分，有平稳时间序列和非平稳时间序列。 狭义时间序列：如果一个时间序列的概率分布与时间t 无关。 广义时间序列：如果序列的一、二阶矩存在，而且对任意时刻t 满足均值为常数和协方差为时间间隔的函数。（下文主要研究的是广义时间序列）。 ④按时间序列的分布规律来分，有高斯型时间序列和非高斯型时间序列。 二、确定性时间序列分析方法概述 时间序列预测技术就是通过对预测目标自身时间序列的处理，来研究其变化趋势的。一个时间序列往往是以下几类变化形式的叠加或耦合。 ①长期趋势变动：它是指时间序列朝着一定的方向持续上升或下降，或停留在某一水平上的倾向，它反映了客观事物的主要变化趋势。通常用表示。 ②季节变动：通常用表示。 ③循环变动：通常是指周期为一年以上，由非季节因素引起的涨落起伏波形相似的波动。通常用表示。 ④不规则变动。通常它分为突然变动和随机变动。通常用表示。也称随机干扰项。 常见的时间序列模型： ⑴加法模型：； ⑵乘法模型：； ⑶混合模型：；； 这三个模型中表示观测目标的观测记录， 如果在预测时间范围以内，无突然变动且随机变动的方差较小，并且有理由认为过去和现在的演变趋势将继续发展到未来时，可用一些经验方法进行预测。 三、移动平均法
当时间序列的数值由于受周期变动和不规则变动的影响，起伏较大，不易显示出发展趋势时，可用移动平均法，消除这些因素的影响，分析、预测序列的长期趋势。 移动平均法有简单移动平均法，加权移动平均法，趋势移动平均法等。 、简单移动平均法 当预测目标的基本趋势是在某一水平上下波动时，可用一次简单移动平均方法建立预测模型： 其预测目标的标准差为： 当然我们还可以得到如下递推关系： N的选取方式: ①一般N 取值范围：5 ≤N ≤ 200。当历史序列的基本趋势变化不大且序列中随机变动成分较多时，N 的取值应较大一些。否则N 的取值应小一些。 ②选择不同的N比较若干模型的预测误差，预测标准误差最小者为最好。 、加权移动平均法 在简单移动平均公式中，每期数据在求平均时的作用是等同的。但是，每期数据所包含的信息量不一样，近期数据包含着更多关于未来情况的信心。因此，把各期数据等同看待是不尽合理的，应考虑各期数据的重要性，对近期数据给予较大的权重，这就是加权移动平均法的基本思想。 其中为权数，体现了相应的在加权平均数中的重要性。 在加权移动平均法中，的选择，同样具有一定的经验性。一般的原则是：近期数据的权数 大，远期数据的权数小。至于大到什么程度和小到什么程度，则需要按照预测者对序列的了解和分析来确定。
一、时间序列 时间序列分析是当前对动态数据处理的一种有效方法,它不要求考虑影响观测值的各种力学因素,而只是分析这些观测数据的统计规律性。通过对时间序列统计规律性进行分析,构造拟合出这些规律的可能数值,最后给出预测结果的精度分析。 1.1AR 模型： 1.1.1 模型的应用 ①年降雨水量的预测， ②城市税收收入的预测。 1.1.2步骤 ①模型识别 令均值为零的时间序列(1,2,,)t x t n =L ,延迟k 周期的自协方差函数是 [],k k t t k E y y γγ-+== （1） 用?k γ、?k ρ分别表示自协方差函数的估计值和自相关函数的估计值,则自相关系数为 k k k γρργ-== （2） 1 1??,0,1,2,,1n k k k t t k t y y k n n γγ-+==-==-∑L （3） ???,0,1,2,,1k k k k n γρργ-== =-L （4）
（1）对p 阶AR(P)模型有 01122t t t p t p t x x x x φφφφε---=+++++L （5） {}00,()t x AR p φ=当为中心化序列, 当00φ≠ ，可通过平移得到中心化()AR p 序列。 用B 表示移位算子，1;t t j t t j Bx x B x x --==，则AR(P)模型的算子形式： 212(1)p p t t B B B x φφφε----=L 即 ()p t t B x φε= （5）两边同乘t k x +后再取均值得： 1122[,][,()]t k t t k t t p t p t E x x E x x x x φφφε++---=++++L 由协方差函数函数得： 211220k k k p k p k r εφγφγφγσδ---=++++L （6） 取0,1,2,,k p =L ，再将得到的差分方程两边同时除以0γ得： 1121121122 1122p p p p p p p p ρφφρφρρφρφφρρφρφρφ----=+++=+++ =+++L L M L （7） 由上式（7）可得，k ρ应该满足： ()0,0p k B k φρ=> （8） 解得通解为 1122k k k k p p c c c ρλλλ---=+++L （9） 其中,1,2,,i c i p =L 可以由p 个初值021,,,p ρρρ-L 代入计算得到， ,1,2,,i i p λ=L 是特征方程()0p B φ=的根。 平稳条件：P 个特征根都在单位圆外,即||1i λ>。
第 39卷 第 2期 2007年 4月 西 安 建 筑 科 技 大 学 ( 学 报 ( 自然科学版) ) V ol.39 No.2 Apr . 2007 J 1Xi ’an Univ . of Arch . & Tech . Natural Scie nce Editio n 多因素时间序列的灰色预测模型 苏变萍 ,曹艳平 ,王 婷 (西安建筑科技大学理学院 ,陕西 西安 710055) 摘 要:对于传统的单因素时间序列预测法在实际应用中的不足之处 ,提出采用灰色 DGM (1 ,1) 模型和多元 线性回归原理相结合的方法 ,综合各种因素建立多因素时间序列的灰色预测模型。它首先利用 DGM (1 ,1) 模 型对影响事物发展趋势的各项因素进行预测 ;然后利用多元线性回归法将各种因素综合起来 ,以预测事物的 发展趋势。最后将该模型应用于预测分析陕西省的就业状况 ,取得了较好的预测效果 ,同时也验证了此模型 的可行性。 关键词: 时间序列 ;单因素 ;多因素 ;预测模型 中图分类号:TB114 文献标识码:A 文章编号 :100627930 2007 022******* ( ) 多年以来 ,对时间序列的预测研究 ,大多是停留在对单因素时间序列上 ,对其预测通常采用的是趋 势外推法 ,而且该方法适合于原始时间序列规律性较好的情况 ,若时间序列中包含了随机因素的影 响 ,再采用这种方法得出的预测结果可能会失真. 同时 ,客观世界又是复杂多变的 ,事物的发展通常不 是由某个单个因素决定 ,往往是许多错综复杂的因素综合作用的结果 ,为了对某项事物的发展做出更加 符合实际的预测 ,这就需要来探讨多因素时间序列的预测问题 ,正是基于这些 ,本文在应用灰色 D GM (1 ,1)模型对单因素时间序列预测的基础上 ,结合多元回归原理 ,提出建立多因素时间序列的灰色预测 模型 ,这样就充分发挥了二者的优点 ,既克服了时间序列的随机因素影响 ,又综合考虑了影响事物发展 的多种因素 ,从而达到提高预测精度和增加预测结果可靠性的效果. 1 模型的建立 设 Y = (y (1) , y (2) , …, y( n)) 表示事物发展的特征因素时间序列, X i = (x i (1) , x i (2) , …, x i ( n)) (i = 1 ,2 , …, p) 表示影响事物发展的单因素时间序列. 1.1 单因素时间序列的 DGM(1 ,1) 模型 对于单因素原始时间序列{ X i } (i = 1 ,2 , …, p) ,根据灰色系统理论建模方法 ,得 D GM (1 ,1) 模 型 : x i (1) a (1 - a) + a b ,t > 1 1.2 多因素时间序列的预测模型 为了能将影响事物发展的众多因素结合起来进行综合预测和相关因素的预测分析 ,在经过多次研 究与比较后,采用多元回归的原理建立多因素时间序列的灰色预测模型: y t = a 0 + a 1 x 1 t + a 2 x 2 t + …+ a p x p t 2 式中 y t 为该事物在 t 时刻的预测值;x i t i = 1 ,2 , …, p 为第 i 个单因素 ,通过应用上述的灰色 3收稿日期 :2005201209 修改稿日期:2006204212 基金项目 :陕西省教育厅专项基金项目 01J K133( ) 作者简介 :苏变萍 19632( ) ,女 ,山西忻州人 ,副教授 ,博士研究生 ,研究方向为计量经济学. [122] (0) (0) (0) ( ) ( ) [4] (0) x (1) = x (1) ^ x (t) = (1) ( ) ^ ^ ^ ^ ^ ^
Wold 分解定理：任何协方差平稳过程x t ，都可以被表示为 x t - - d t = u t + 1 u t -1+ 2 u t -2 + … + = 其中 表示x t 的期望。d t 表示x t 的线性确定性成分，如周期性成分、时间t 的多项式和指数形式等，可以直接用x t 的滞后值预测。 = 1， ∑∞ =0 2 j j ψ< ∞。u t 为白噪声过程。u t 表示用x t 的滞后项预测x t 时的误差。 u t = x t - E(x t x t -1, x t -2 , …) ∑ ∞=-0 j j t j u ψ称为x t 的线性非确定性成分。当d t = 0时，称x t 为纯线性非确定性过程。 Wold 分解定理由Wold 在1938年提出。Wold 分解定理只要求过程2阶平稳即可。从原理上讲，要得到过程的Wold 分解，就必须知道无限个j 参数，这对于一个有限样本来说是不可能的。实际中可以对 j 做另一种假定，即可以把 (L )看作是2个有限特征多项式的比， (L ) =∑ ∞ =0 j j j L ψ=)()(L L ΦΘ=p p q q L L L L L L φφφθθθ++++++++...1 (1221221) 注意，无论原序列中含有何种确定性成分，在前面介绍的模型种类中，还是后面介绍的自相关函数、偏自相关函数中都假设在原序列中已经剔除了所有确定性成分，是一个纯的随机过程（过程中不含有任何确定性成分）。如果一个序列如上式， x t = + d t + u t + 1 u t -1+ 2 u t -2 + … + 则所有研究都是在y t = x t - - d t 的基础上进行。例如前面给出的各类模型中都不含有均值项、时间趋势项就是这个道理。 2.3 自相关函数 以上介绍了随机过程的几种模型。实际中单凭对时间序列的观察很难确定其属于哪一种模型，而自相关函数和偏自相关函数是分析随机过程和识别模型的有力工具。 1. 自相关函数定义 在给出自相关函数定义之前先介绍自协方差函数概念。由第一节知随机过程{x t }中的每一个元素x t ，t = 1, 2, … 都是随机变量。对于平稳的随机过程，其期望为常数，用 表示，即 E(x t ) = , t = 1, 2, … (2.25)
ARMA模型及分析 本次试验主要是通过等时间间隔，连续读取70个某次化学反应的过程数据，构成一个时间序列。试对该时间序列进行ARMA模型拟合以及模型的优化，最后进行预测。以下本次试验的数据： 表1 连续读取70个化学反应数据 47 64 23 71 38 64 55 41 59 48 71 35 57 40 58 44 80 55 37 74 51 57 50 60 45 57 50 45 25 59 50 71 56 74 50 58 45 54 36 54 48 55 45 57 50 62 44 64 43 52 38 59 55 41 53 49 34 35 54 45 68 38 50 60 39 59 40 57 54 23 资料来源：O’Donovan, Consec. Readings Batch Chemical Proces, https://www.doczj.com/doc/244397755.html,ler et al. 下面的分析及检验、预测均是基于上述数据进行的，本次试验是在Eviews 6.0上完成的。 一、序列预处理 由于只有对平稳的时间序列才能建立ARMA模型，因此在建立模型之前，有必要对序列进行预处理，主要包括了平稳性检验和纯随机检验。 序列时序图显示此化学反应过程无明显趋势或周期，波动稳定。见图1。
图2 化学反应过程相关图和Q统计量 从图2的序列的相关分析结果:1. 可以看出自相关系数始终在0周围波动，判定该序列为平稳时间序列2.看Q统计量的P值：该统计量的原假设为X的1期，2期……k期的自相关系数均等于0，备择假设为自相关系数中至少有一个不等于0，因此如图知，该P值在滞后2、3、4期是都为0,所以拒接原假设,即序列是非纯随机序列,即非白噪声序列(因为序列值之间彼此之间存在关联,所以说过去的行为对将来的发展有一定的影响,因此为非纯随机序列,即非白噪声序列)。 二、模型识别 由于检验出时间序列是平稳的，且是非白噪声序列，因此可以建立模型，在建立模型之前需要识别模型阶数即确定阶数。阶数确定要借助于时间序列的相关图，即序列的自相关函数和偏自相关函数，并根据他们之间的理论模式进行阶数最后的确定。 下面给出自相关函数和偏自相关函数之间的理论模式：