《金融时间序列分析》讲义 主讲教师：徐占东 登录：https://www.doczj.com/doc/3d4822530.html,徐占东《金融时间序列模型》 参考教材： 1．《金融时间序列的经济计量学模型》经济科学出版社米尔斯著2．《经济计量学手册》章节 3．《Introductory Econometrics for Finance》 Chris Brooks 剑桥大学出版社 4．《金融计量学：资产定价实证分析》周国富著北京大学出版社5．《金融市场的经济计量学》 Andrew lo等上海财经大学出版社6．《动态经济计量学》 Hendry著上海人民出版社 7．《商业和经济预测中的时间序列模型》中国人民大学出版社弗朗西斯著 8．《No Linear Econometric Modeling in Time series Analysis》剑桥大学出版社 9．《时间序列分析》汉密尔顿中国社会科学出版社10．《高等时间序列经济计量学》陆懋祖上海人民出版社11．《计量经济分析》张晓峒经济科学出版社 12．《经济周期的波动与预测方法》董文泉高铁梅著吉林大学出版社 13．《宏观计量的若干前言理论与应用》王少平著南开大学出版社14．《协整理论与波动模型——金融时间序列分析与应用》张世英、樊智著清华大学出版社 15．《协整理论与应用》马薇著南开大学出版社 16．（NBER working paper）https://www.doczj.com/doc/3d4822530.html,
17．（Journal of Finance）https://www.doczj.com/doc/3d4822530.html, 18．（中国金融学术研究网） https://www.doczj.com/doc/3d4822530.html, 教学目的： 1）能够掌握时间序列分析的基本方法； 2）能够应用时间序列方法解决问题。 教学安排 1单变量线性随机模型：ARMA ; ARIMA; 单位根检验。 2单变量非线性随机模型：ARCH,GARCH系列模型。 3谱分析方法。 4混沌模型。 5多变量经济计量分析：V AR模型，协整过程；误差修正模型。
河南大学: 姓名:汪宝班级:七班学号:1122314451 班级序号:68 5:我国1949年－2008年年末人口总数(单位:万人)序列如表4－8所示(行数据)．选择适当的模型拟合该序列的长期数据，并作5期预测。 解：具体解题过程如下：（本题代码我是做一问写一问的） 1:观察时序图: data wangbao4_5; input x@@; time=1949+_n_-1; cards; 54167 55196 56300 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 85229 87177 89211 90859 92420 93717 94974 96259 97542 98705 100072 101654 103008 104357 105851 107507 109300 111026 112704 114333 115823 117171 118517 119850 121121 122389 123626 124761 125786 126743 127627 128453 129227 129988 130756 131448 132129 132802 ; proc gplot data=wangbao4_5; plot x*time=1; symbol1c=black v=star i=join; run; 分析:通过时序图,我可以发现我国1949年－2008年年末人口总数(随时间的变化呈现出线性变化.故此时我可以用线性模型拟合序列的发展． X t=a+b t+I t t=1,2,3,…,60 E(I t)=0,var(I t)=σ2 其中，I t为随机波动；X t=a+b就是消除随机波动的影响之后该序列的长期趋势。
时间序列分析在金融市场价格波动分析中应用
B 题 金融市场价格波动分析 摘要 本文基于),,(q d p ARIMA 模型以及GARCH 模型结合数据图法，自相关函数检验法，差分法，借助SAS 软件和views E 软件建立数学模型，针对金融市场特性与走势并检验金融指数序列的平稳性及波动性，分析不同金融市场的风险并进行拟合与预测，并对不同金融市场的波动溢出等问题进行了检验与分析，最后给出了结论。 对于问题一，我们直接运用数据图法对纽约道琼斯指数进行分析。通过运 用SAS 软件编程得到2012年纽约道琼斯连续两百天的收盘指数时序图，得出道琼斯指数呈现循环上升下降的特性，总体呈现上升的走势。 对于问题二，我们运用GARCH 模型与自相关函数检验法对道琼斯指数进行指数序列的波动性及平稳性检验。通过建立GARCH 模型并结合views E 给出了波动性检验表，最后得出了过去的波动对未来的影响是逐渐减小的结论。运用自相关函数检验法，用SAS 程序得出道琼斯指数序列的自相关图，通过对自相关图的分析，我们得出金融时间序列存在一定的非平稳性。 对于问题三，我们运用差分法对道琼斯价格指数进行平稳化处理和白噪声 检验。我们先对先对时间序列进行一阶差分运算，然后用SAS 画出时序图，判断出经过一阶差分后的时间序列为平稳的，并且用自相关函数检验法进行检验再次验证了一阶差分后的时间序列为平稳的，即完成了平稳化处理。 对于问题四，我们建立),,(q d p ARIMA 模型通过SAS 程序对道琼斯价格指数与上证指数进行拟合，然后进行了模型的适应性检验、参数的显著性检验和残
差的白噪声检验并且都通过了，最后对两个股市指数进行了未来五个时刻的预测并且给出了区域，预测效果比较好。 对于问题五，我们运用GARCH模型通过views E对道琼斯股市和上证股市两个市场的波动是否存在波动溢出进行了分析。通过对提取的条件方差GARCH01和GARCH02进行ranger G因果检验最后得出了两个股票市场不存在明显的溢出效应的结论。 关键词：金融指数自相关函数检验差分法) p d ARIMA模型SAS (q , , G因果检验 views E GARCH模型ranger 一.问题重述 2008年全球金融危机昭示了金融市场价格波动的严重后果。金融时间序列收益率序列的波动是动态变化的，是不可知，或可知但不可测。不同金融市场的波动还存在波动溢出。 请收集不同金融市场的指标数据（如上海、深圳、新加坡、纽约等地的股市指数）进行如下建模与分析： 1、单个分析金融市场的特性与走势 2、分析与检验金融指数序列的平稳性及波动性 3、根据价格波动性，进行平稳化处理 4、分析每个市场的风险，并进行拟合和预测 5、请讨论多个不同金融市场之间的波动溢出问题 二．问题分析
金融时间序列分析 第一章绪论 第一节时间序列分析的一般问题 人们在日常生活和工作中会遇到大量的金融数据，如存款的利率、股票的价格、债券的收益等等， 例某支股票的价格。。。 如何从这些数据中总结、发现其变化规律，如何从这些数据中总结、发现其变化规律，从而预测或控制现象的未来行从这些数据中总结为，这就是时间序列分析这门课程所要研究的问题。 研究方式 数据建立模型预测 数据数据的类型。 横剖面数据：由若干现象在某一时点上所处的状态所形成的数据，称为横剖面数据，剖面数据，又称为静态数据。它反映一定时间、地点等客观条件下诸现象之间存在的内在数值联系。例如，上海证券交易所所有股票在某一时刻的价格；某一时刻全国各省会城市的温度，都是横剖面数据；研究方法：多元统计分析。纵剖面数据：由某一现象或若干现象在不同时点上的状态所形成的数据，称为纵剖面数据，纵剖面数据，又称为动态数据。它反映的是现象与现象之间关系的发展变化规律。例如，南京市1980 年至2005 年每年末的人口数；上海证券交易所所有股票在一年中每个周末收盘价，都是纵剖面数据研究方法：时间序列分析时间序列概念时间序列概念。时间序列：简单地说，时间序列就是按照时间顺序排成的一个数列，其中每一项的取值是随机的。严格的时间序列的定义需要随机过程的概念。设(?, β , P ) 是一个概率空间，其中? 是样本空间，β 是? 上的σ -代数，P 是Copyright: Rongbao Gu, School of Finance, Nanjing University of Finance and Economics, 2006 金融时间序列分析? 上的概率测度。又设T 是一个有序指标集。概率空间(?, β , P ) 上的随机变量{ X t : t ∈T } 的全体称为随机过程。随机过程。注：指标集T 可以是连续的也可以是离散的，相应地，随机过程也有连续和离散之分。定义：定义：若{t i } 是R 中的一个离散子集，则称随机过程{ X t : t ∈{t i }} = { X ti } 是一个时间序列。简言之，一个离散随机过程被称为一个时间序列。注：1、从统计意义上说，时间序列是一个统计指标在不同时刻上的数值，按照时间顺序排成的数列，由于统计指标数值受到各种偶然因素影响，因此这数列表现出随机性。2、从系统论上说，时间序列是某一系统在不同时刻的响应，是系统运行的历史行为的客观记录。。时间序列的特点: (1) 序列中的数据依赖于时间顺序；(2) 序列中每个数据的取值具有一定的随机性；(3)序列中前后的数值有一定的相关性----系统的动态规律(4) 序列整体上呈现某种趋势性或周期性。。研究时间序列的意义通过对时间序列的分析和研究，认识系统的结构特征（如趋势的类型，周期波动的周期、振幅，等等）；揭示系统的运行规律；进而预测或控制系统的未来行为，或修正和重新设计系统（如改变参数、周期等）按照新的结构运行。时间序列分析根据时间序列所包含的历史行为的信息，寻找相应系统的内在统计特征和发时间序列分析。展变化规律性的整个方法，称为时间序列分析注：时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法，是统计学的一个分支。。时间序列分析的类型(详见P7) 。确定性时序分析：设
时间序列分析试卷1 一、 填空题（每小题2分，共计20分） 1. ARMA(p, q)模型_________________________________，其中模型参数为 ____________________。 2. 设时间序列{}t X ，则其一阶差分为_________________________。 3. 设ARMA (2, 1)： 1210.50.40.3t t t t t X X X εε---=++- 则所对应的特征方程为_______________________。 4. 对于一阶自回归模型AR(1): 110t t t X X φε-=+＋，其特征根为_________，平稳域是 _______________________。 5. 设ARMA(2, 1):1210.50.1t t t t t X X aX εε---=++-，当a 满足_________时，模型平稳。 6. 对于一阶自回归模型MA(1): 10.3t t t X εε-=-，其自相关函数为 ______________________。 7. 对于二阶自回归模型AR(2): 120.50.2t t t t X X X ε--=++ 则模型所满足的Yule-Walker 方程是______________________。 8. 设时间序列{}t X 为来自ARMA(p,q)模型： 1111t t p t p t t q t q X X X φφεθεθε----=++++++L L 则预测方差为___________________。 9. 对于时间序列{}t X ，如果___________________，则()~t X I d 。 10. 设时间序列{}t X 为来自GARCH(p ，q)模型，则其模型结构可写为_____________。 二、（10分）设时间序列{}t X 来自()2,1ARMA 过程，满足 ()()2 10.510.4t t B B X B ε -+=+, 其中{}t ε是白噪声序列，并且()()2 t t 0,E Var εεσ==。
Graduate School of Business,University of Chicago Business41202,Spring Quarter2008,Mr.Ruey S.Tsay Solutions to Midterm Problem A:(30pts)Answer brie?y the following questions.Each question has two points. 1.Describe two methods for choosing a time series model. Answer:Any two of(a)Information criteria such as AIC or BIC,(b)Out-of-sample forecasts,and(c)ACF and PACF of the series. 2.Describe two applications of volatility in?nance. Answer:Any two of(a)derivative(option)pricing,(b)risk management,(c)portfolio selection or asset allocation. 3.Give two applications of seasonal time series models in?nance. Answer:(a)Earnings forecasts and(b)weather-related derivative pricing or risk man-agement. 4.Describe two weaknesses of the ARCH models in modelling stock volatility. Answer:Any two of(a)symmetric response to past positive and negative shocks, (b)restrictive,(c)Not adaptive,and(d)provides no explanation about the source of volatility clustering. 5.Give two empirical characteristics of daily stock returns. Answer:any two of(a)heavy tails,(b)non-Gaussian distribution,(c)volatility clus-tering. 6.The daily simple returns of Stock A for the last week were0.02,0.01,-0.005,-0.01,and 0.025,respectively.What is the weekly log return of the stock last week?What is the weekly simple return of the stock last week?Answer:Weekly log return is0.03938; weekly simple return is0.04017. 7.Suppose the closing price of Stock B for the past three trading days were$100,$120, and$100,respectively.What is the arithmetic mean of the simple return of the stock for the past three days?What is the geometric average of the simple return of the stock for the past three days? Answer:Arithmetic mean=1 2 120?100 100 +100?120 120 =0.017.and the geometric mean is 120×100?1=0. 8.Consider the AR(1)model r t=0.02+0.8r t?1+a t,where the shock a t is normally distrib- uted with mean zero and variance1.What are the variance and lag-1autocorrelation function of r t? Answer:Var(r t)=1 1?0.82 =2.78and the lag-1ACF is0.8. 1
考核课程 时间序列分析（B 卷） 考核方式 闭卷 考核时间 120 分钟 注：B 为延迟算子，使得1 -=t t Y BY ；?为差分算子，1--=?t t t Y Y Y 。 一、单项选择题（每小题3 分，共24 分。） 1. 若零均值平稳序列{}t X ，其样本ACF 和样本PACF 都呈现拖尾性，则对{}t X 可能建立（ B ）模型。 A. MA(2) B.ARMA(1,1) C.AR(2) D.MA(1) 2.下图是某时间序列的样本偏自相关函数图，则恰当的模型是（ B ）。 A. )1(MA B.)1(AR C.)1,1(ARMA D.)2(MA 3. 考虑MA(2)模型212.09.0--+-=t t t t e e e Y ，则其MA 特征方程的根是（ C ）。 （A ）5.0,4.021==λλ （B ）5.0,4.021-=-=λλ （C ）5.2221==λλ， （D ） 5.2221=-=λλ， 4. 设有模型112111)1(----=++-t t t t t e e X X X θφφ，其中11<φ，则该模型属于（ B ）。 A.ARMA(2,1) B.ARIMA(1,1,1) C.ARIMA(0,1,1) D.ARIMA(1,2,1) 5. AR(2)模型t t t t e Y Y Y +-=--215.04.0，其中64.0)(=t e Var ，则=)(t t e Y E （ B ）。 A.0 B.64.0 C. 1 6.0 D. 2.0 6.对于一阶滑动平均模型MA(1): 15.0--=t t t e e Y ，则其一阶自相关函数为( C )。 A.5.0- B. 25.0 C. 4.0- D. 8.0 7. 若零均值平稳序列{}t X ?，其样本ACF 呈现二阶截尾性，其样本PACF 呈现拖尾性，则可初步认为对{}t X 应该建立（ B ）模型。 A. MA(2) B.)2,1(IMA C.)1,2(ARI D.ARIMA(2,1,2) 8. 记?为差分算子，则下列不正确的是（ C ）。 A. 12-?-?=?t t t Y Y Y B. 212 2--+-=?t t t t Y Y Y Y C. k t t t k Y Y Y --=? D. t t t t Y X Y X ?+?=+?） ( 二、填空题（每题3分，共24分）； 1. 若{}t Y 满足： 1312112---Θ-Θ--=??t t t t t e e e e Y θθ， 则该模型为一个季节周期为
一、单项选择题（每题2分，共20分） P61关于严平稳与（宽）平稳的关系； 弱平稳的定义：对于随机时间序列y t ，如果其期望值、方差以及自协方差均不随时间t 的变化而变化，则称y t 为弱平稳随机变量，即y t 必须满足以下条件： 对于所有时间t ，有 （i ） E （yt ）=μ为不变的常数； （ii ） Var （yt ）=σ2为不变的常数； （iii ） γj =E[y t -μ][y t-j -μ]，j=0，±1，,2，… （j 为相隔的阶数） （μ=0，cov （y t ，y t-j ）=0，Var （yt ）=σ2时为白噪音过程，常用的平稳过程。） 从以上定义可以看到，凡是弱平稳变量，都会有一个恒定不变的均值和方差，并且自协方差只与y t 和y t-j 之间的之后期数j 有关，而与时间t 没有任何关系。 严平稳过程的定义：如果对于任何j 1,，j 2，...,j k ,随机变量的集合（y t ， y t+j1,，y t+j2，…，y t+jk ）只依赖于不同期之间的间隔距离（j 1，j 2，…， j k ），而不依赖于时间t ，那么这样的集合称为严格平稳过程或简称为严平稳 过程，对应的随机变量称为严平稳随机变量。 P46 t X 的k 阶差分是；△ ｋ X t =△ ｋ-1 X t -△ ｋ-1 X t-1，△ 表示差分符 号。 滞后算子；P54对于AR ： L p y t =y t-p ，对于MA ：L ｐ εt =εt-ｐ AR （p ）模型即自回归部分的特征根—平稳性；确定好差分方程的阶数，则其特 征方程为：λp -α1λp-1 -α2λp-2 -…-αp =0，若所有的特征根的│λ│<1 则平稳 补充：逆特征方程为：1-α1ｚ1 -α2ｚ2-…-αp ｚp =0，若所有的逆特征根│ｚ│>1，则平稳。注意：特征根和逆特征方程的根互为倒数。 如：p57作业3： y t =1.2y t-1-0.2y t-2+εt ，为二阶差分，其特征方程为：λ2-1.2λ+0.2=0，解得λ1=1，λ2=0.2，由于λ1=1，所以不平稳。 MA(q )模型121.10.24t t t t X εεε--=-+，则移动平均部分的特征根----可逆性；p88 所谓可逆性，就是指将MA 过程转化成对应的AR 过程 MA 可逆的条件是其逆特征方程的根全部落在单位圆外， 即1+θ1ｚ 1 +θ2ｚ2+…+θp ｚp =0，│ｚ│>1， 此题q 为2，逆特征方程为：1-1.1ｚ+0.24ｚ2=0，
· 《金融时间序列分析》 综合实验二 金融系金融工程专业2014 级姓名山洪国 学号20141206031048 实验地点：实训楼B305 实验日期：2017.04，21 实验题目：ARIMA模型应用 实验类型：基本操作训练 实验目的： 利用美元对欧元汇率1993年1月到2007年12月的月均价数据，进行ARIMA模型的识别、估计、检验及预测。 实验容： 1、创建Eviews文件，录入数据，对序列进行初步分析。绘制美元对欧元汇率月均价数据折线图，分析序列的基本趋势，初步判断序列的平稳性。 2、识别ARIMA（p,d,q）模型中的阶数p，d，q。运用单位根检验（ADF检验）确定单整阶数d；利用相关分析图确定自回归阶数p和移动平均阶数q。初步选择几个合适的备选模型。 3、ARIMA（p,d,q）模型的估计和检验。对备选模型进行估计和检验，并进行比较，
从中选择最优模型。 4、利用最优模型对2008年1月美元对欧元汇率的月均价进行外推预测。 评分标准：操作步骤正确，结果正确，分析符合实际，实验体会真切。 实验步骤： 1、根据所给的Excel 表格的数据，将表格的美元对欧元的汇率情况录入到EViews9中，并对所录入数据进行图形化的处理，所得到的图形结果如下图所示。（时间段：1993.01至2007.12） 0.6 0.7 0.8 0.9 1.0 1.1 1.2 EUR/USD 分析图形数据可得，欧元对美元的汇率波动情况较为明显，其中在1999年至2003年期间欧元和美元的比值一度在1.0以上。但近些年以来，欧元的汇率一度持续下滑，到了2007年底的时候和和美元的比值在0.7左右。
一、单项选择题 1．时间数列与变量数列() A都是根据时间顺序排列的B都是根据变量值大小排列的 C前者是根据时间顺序排列的，后者是根据变量值大小排列的 D前者是根据变量值大小排列的，后者是根据时间顺序排列的 2．时间数列中，数值大小与时间长短有直接关系的是() A平均数时间数列B时期数列C时点数列D相对数时间数列 3．发展速度属于() A比例相对数B比较相对数C动态相对数D强度相对数 4．计算发展速度的分母是() A报告期水平B基期水平C实际水平D计划水平5．某车间月初工人人数资料如下： 则该车间上半年的平均人数约为() A 296人 B 292人 C 295 人 D 300人 6．某地区某年9月末的人口数为150万人，10月末的人口数为150．2万人，该地区10月的人口平均数为() A150万人B150．2万人C150．1万人D无法确定 7．由一个9项的时间数列可以计算的环比发展速度( )
A 有8个 B 有9个 C 有10个 D 有7个 8．采用几何平均法计算平均发展速度的依据是( ) A 各年环比发展速度之积等于总速度 B 各年环比发展速度之和等于总速度 C 各年环比增长速度之积等于总速度 D 各年环比增长速度之和等于总速度 9．某企业的产值2005年比2000年增长了58．6％，则该企业2001—2005年间产值的平均发展速度为( ) A 5 %6.58 B 5%6.158 C 6 %6.58 D 6%6.158 10．根据牧区每个月初的牲畜存栏数计算全牧区半年的牲畜平均存栏数，采用的公式是( ) A 简单平均法 B 几何平均法 C 加权序时平均法 D 首末折半法 11、时间序列在一年内重复出现的周期性波动称为（ ） A 、长期趋势 B 、季节变动 C 、循环变动 D 、随机变动 1．C 2．B 3．C 4．B 5．C 6．C 7．A 8．A 9．B 10．D 11、B 二、多项选择题 1．对于时间数列，下列说法正确的有( ) A 数列是按数值大小顺序排列的 B 数列是按时间顺序排列的 C 数列中的数值都有可加性 D 数列是进行动态分析的基础
时间序列分析基于R——习题答案
第一章习题答案 略 第二章习题答案 2.1 （1）非平稳 （2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图 2.2 （1）非平稳，时序图如下
（2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图 2.3 （1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251
-0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 （2）平稳序列 （3）白噪声序列 2.4 LB=4.83，LB统计量对应的分位点为0.9634，P 值为0.0363。显著性水平=0.05 ，序列不能视为纯随机序列。 2.5 （1）时序图与样本自相关图如下
（2） 非平稳 （3）非纯随机 2.6 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机 第三章习题答案 3.1 ()0t E x =,2 1 () 1.96 10.7 t Var x ==-,22 0.70.49 ρ ==,22 φ = 3.2 1715 φ= ,2 115 φ =
3.3 ()0t E x =,10.15 () 1.98(10.15)(10.8 0.15)(10.80.15) t Var x +==--+++ 10.8 0.70 10.15 ρ= =+,2 10.80.150.41 ρ ρ=-=,3 210.80.150.22 ρ ρρ=-= 1110.70 φρ==,22 20.15 φ φ==-,33 φ = 3.4 10c -<<, 1121,1,2 k k k c c k ρρρρ--? =?-??=+≥? 3.5 证明: 该序列的特征方程为：3 2 --c 0c λλλ+=，解该特征 方程得三个特征根： 11 λ=，2 c λ =3 c λ =-无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。证毕。 3.6 (1)错 （2）错 （3）对 （4）错 （5） 3.7 该模型有两种可能的表达式：11 2 t t t x ε ε-=-和 1 2t t t x εε-=-。 3.8 将1 23 100.50.8t t t t t x x C εεε---=++-+等价表达为
第二章习题答案 2.1 （1）非平稳 （2）0.0173 0.700 0.412 0.148 -0.079 -0.258 -0.376 （3）典型的具有单调趋势的时间序列样本自相关图 2.2 （1）非平稳，时序图如下 （2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图
2.3 （1）自相关系数为：0.2023 0.013 0.042 -0.043 -0.179 -0.251 -0.094 0.0248 -0.068 -0.072 0.014 0.109 0.217 0.316 0.0070 -0.025 0.075 -0.141 -0.204 -0.245 0.066 0.0062 -0.139 -0.034 0.206 -0.010 0.080 0.118 （2）平稳序列 （3）白噪声序列 2.4 ，序列LB=4.83，LB统计量对应的分位点为0.9634，P值为0.0363。显著性水平=0.05 不能视为纯随机序列。 2.5 （1）时序图与样本自相关图如下
（2） 非平稳 （3）非纯随机 2.6 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机 第三章习题答案 3.1 解：1()0.7()()t t t E x E x E ε-=?+ 0)()7.01(=-t x E 0)(=t x E t t x ε=-）B 7.01( t t t B B B x εε)7.07.01()7.01(221 +++=-=- 229608.149 .011 )(εεσσ=-= t x Var 49.00212==ρφρ 022=φ 3.2 解：对于AR （2）模型： ?? ?=+=+==+=+=-3.05 .021102112 12112011φρφρφρφρρφφρφρφρ 解得：???==15 /115/721φφ 3.3 解：根据该AR(2)模型的形式，易得：0)(=t x E 原模型可变为：t t t t x x x ε+-=--2115.08.0
Lecture Notes of Bus41202(Spring2010) Analysis of Financial Time Series Ruey S.Tsay Simple AR models:(Regression with lagged variables.) Motivating example:The growth rate of U.S.quarterly real GNP from1947to1991.Recall that the model discussed before is r t=0.005+0.35r t?1+0.18r t?2?0.14r t?3+a t,?σa=0.01. This is called an AR(3)model because the growth rate r t depends on the growth rates of the past three quarters.How do we specify this model from the data?Is it adequate for the data?What are the implications of the model?These are the questions we shall address in this lecture. Another example:U.S.monthly unemployment rate. AR(1)model: 1.Form:r t=φ0+φ1r t?1+a t,whereφ0andφ1are real numbers, which are referred to as“parameters”(to be estimated from the data in an application).For example, r t=0.005+0.2r t?1+a t 2.Stationarity:necessary and su?cient condition|φ1|<1.Why? 3.Mean:E(r t)=φ0 1?φ1
金融时间序列的线性模型——自回归R实例 例2.3 > setwd("C:/Users/Mr.Cheng/Desktop/课件/金融数据分析导论基于R/Dat aSets/ch2data")%设置工作目录 > da=read.table("q-gnp4710.txt",header=T) > head(da) Year Mon Dat VALUE 1 1947 1 1 238.1 2 1947 4 1 241.5 3 1947 7 1 245.6 4 1947 10 1 255.6 5 1948 1 1 261.7 6 1948 4 1 268.7 > G=da$VALUE > LG=log(G) > gnp=diff(LG) > dim(da) [1] 253 4 > tdx=c(1:253)/4+1947 %创建一个时间序列指数，从1947开始，每次增加一个季度，一共253个季度。 > par(mfcol=c(2,1))画两行一列的小图 > plot(tdx,LG,xlab='year',ylab='GNP',type="l
> plot(tdx[2:253],gnp,type='l',xlab='year',ylab='growth') > acf(gnp,lag=12)%画滞后12阶的对数增长率的自相关图 > pacf(gnp,lag=12)%画滞后12阶的对数增长率的偏自相关图
> m1=arima(gnp,order=c(3,0,0))%计算AR(3) > m1 Call: arima(x = gnp, order = c(3, 0, 0)) Coefficients: ar1 ar2 ar3 intercept 0.4386 0.2063 -0.1559 0.0163 s.e. 0.0620 0.0666 0.0626 0.0012 sigma^2 estimated as 9.549e-05: log likelihood = 808.56, aic = -1607.12 > tsdiag(m1,gof=12)%模型检验
第一章习题答案 略 第二章习题答案 （1）非平稳 （2） （3）典型的具有单调趋势的时间序列样本自相关图 （1）非平稳，时序图如下 （2）-（3）样本自相关系数及自相关图如下：典型的同时具有周期和趋势序列的样本自相关图 （1）自相关系数为： （2）平稳序列 （3）白噪声序列 ，序列不能视为纯随机序列。LB=，LB统计量对应的分位点为，P值为。显著性水平=0.05 （2）非平稳 （3）非纯随机 （1）平稳，非纯随机序列（拟合模型参考：ARMA(1,2)） （2）差分序列平稳，非纯随机
第三章习题答案 ()0t E x =,2 1() 1.9610.7 t Var x ==-,2 20.70.49ρ==,220φ= 1715φ=,2115 φ= ()0t E x =,10.15 () 1.98(10.15)(10.80.15)(10.80.15) t Var x += =--+++ 10.8 0.7010.15 ρ= =+,210.80.150.41ρρ=-=,3210.80.150.22ρρρ=-= 1110.70φρ==,2220.15φφ==-,330φ= 10c -<<, 1121,1,2 k k k c c k ρρρρ--? = ?-??=+≥? 证明: 该序列的特征方程为：32--c 0c λλλ+=，解该特征方程得三个特征根： 11λ= ，2λ= 3λ= 无论c 取什么值，该方程都有一个特征根在单位圆上，所以该序列一定是非平稳序列。证毕。 (1)错 （2）错 （3）对 （4）错 （5） 该模型有两种可能的表达式：11 2 t t t x εε-=-和12t t t x εε-=-。 将123100.50.8t t t t t x x C εεε---=++-+等价表达为 ()23 23223310.82010.510.8(10.50.50.5)t t t B CB x B B CB B B B εε-+-=-=-+++++L 展开等号右边的多项式，整理为 2233 4423243 4 10.50.50.50.50.80.80.50.80.50.5B B B B B B B CB CB +++++--?-?-+++L L L
中国海洋大学本科生课程大纲 一、课程介绍 1.课程描述（中英文）： 金融时间序列分析课程主要讲述时间序列分析方法在金融领域的应用，运用计量模型研究金融数据的特征，对金融市场主要指标进行分析、拟合及预测。课程内容包括：金融时间序列数据统计特征、线性平稳时间序列模型、波动率模型、非平稳时间序列模型、向量自回归模型等。通过课程学习，要求学生掌握金融时间序列数据的统计特征，金融计量的建模思想，能够利用这些理论方法并借助计算机软件对实际问题进行建模和分析，进而提升对数理金融知识的综合运用能力。 The course of financial time series analysis mainly focuses on the application of time series analysis method in the financial field. It applies econometric model to study the characteristics of financial data, and analyzes, fits and forecasts the main indicators of financial market. The course contents include: statistical characteristics of financial time series data, linear stationary time series model, volatility model, non-stationary time series model, vector autoregressive model, etc. Through the course study, students are required to master the statistical characteristics of financial time series data and the modeling idea of financial measurement, and be able to use these theoretical methods and computer software to model and analyze practical problems, so as to improve the comprehensive application ability of mathematical and financial knowledge. 2.设计思路： 本课程针对高年级金融学专业学生开设，旨在提升学生对于金融市场相关理论、统计建模及计算机软件的综合运用能力。课程内容的选取基于“学生掌握了概率统计及计量经济学相关内容”。课程内容包括理论介绍及案例分析，两个层面内容相辅相成。理论层面主要介绍金融时间序列数据统计特征、平稳及非平稳时间序列模型、波动率模型、向量自回归模型等；案例分析主要针对上述几大模块结合真实金融数据， - 1 -
6、 方法一：趋势拟合法 income<-scan('习题4.6数据.txt') ts.plot(income) 由时序图可以看出，该序列呈现二次曲线的形状。于是，我们对该序列进行二次曲线拟合： t<-1:length(income) t2<-t^2 z<-lm(income~t+t2) summary(z) lines(z$fitted.values, col=2) 方法二：移动平滑法拟合 选取N=5 income.fil<-filter(income,rep(1/5,5),sides=1) lines(income.fil,col=3)
7、（1） milk<-scan('习题4.7数据.txt') ts.plot(milk) 从该序列的时序图中，我们看到长期递增趋势和以年为固定周期的季节波动同时作用于该序列,因此我们可以采用乘积模型和加法模型。在这里以加法模型为例。 z<-scan('4.7.txt')
ts.plot(z) z<-ts(z,start=c(1962,1),frequency=12) z.s<-decompose(z,type='additive') //运用加法模型进行分解z.1<-z-z.s$seas //提取其中的季节系数，并在z中减去（因为是加法模//型）该季节系数 ts.plot(z.1) lines(z.s$trend,col=3) z.2<-ts(z.1) t<-1:length(z.2) t2<-t^2 t3<-t^3 r1<-lm(z.2~t) r2<-lm(z.2~t+t2) r3<-lm(z.2~t+t2+t3) summary(r1)
Chapter 1: Financial Time Series and Their Characteristics Data used in the text: (1) Daily log returns of IBM (62/7/3 to 97/12): d-ibmln.dat (2) Daily simple returns of value-weighted and equal-weighted indexes: d-vwew.dat (3) Daily simple returns of Intel stock: d-intc.dat (4) Daily simple returns of 3M stock: d-mmm.dat (5) Daily simple returns of Microsoft stock: d-msft.dat (6) Daily simple returns of Citi-group stock: d-citi.dat (7) Monthly bond returns (30 yrs, 20 yrs, ..., 1 yr): m-bnd.dat (8) Monthly Treasury rates (10 yrs, 5 yrs, ..., 1 yr): m-gs.dat (9) Weekly Treasury Bill rates: w-tb3ms.dat & w-tb6ms.dat Data sets for Exercises: 1. Log returns of Alcoa stock: d-aa9099.dat Log returns of American Express stock: d-axp9099.dat Log returns of Disney stock: d-dis9099.dat Log returns of Chicago Tribune stock: d-trb9099.dat Log returns of Tyco International stock: d-tyc9099.dat 2. Monthly log stock returns of five U.S. companies: Alcoa: m-aa6299.dat American Express: m-axp7399.dat Disney: m-dis6299.dat General Motors: m-gm6299.dat Hershey Foods: m-hsy6299.dat Mellon Financial Co.: m-mel7399.dat 3. See Alcoa stock returns in Problem 2. 4. See American Express stock returns in Problem 2. 5. See American Express stock returns in Problem 1. 6. Exchange rates of Canadian Dollar, German Mark, United Kingdom Pound, Japanese Yen, and French Franc versus U.S. Dollar: forex-c.dat Chapter 2: Linear Time Series Analysis and Its Applications Data sets used in the chapter: (1) U.S. quarterly growth rates of GNP: q-gnp.dat (2) Monthly value-weighted index returns: m-vw.dat (3) Monthly equal-weighted index returns: m-ew.dat