第五讲（续）
平稳时间序列的
ARMA模型1 平稳性
有一类描述时间序列的重要随机模型受到了人们的广泛关注，这就是所谓的平稳模型。这类模型假设随机过程在一个不变的均值附近保持平衡。其统计规律不会随着时间的推移发生变化。平稳的定义分为严平稳和宽平稳。
定义1（严平稳）
设{},t x t T ∈是一个随机过程,t x 是在不同的时刻t 的随机变量，在不同的时刻t 是不同的随机变量，任取n 个值1,,n t t K 和任意的实数h ，则1,,n x x K 分布函数满足关系式
1111(,,;,)(,,;,)n n n n n n F x x t t F x x t h t h =++L L L L
则称{},t x t T ∈为严平稳过程。
在实际中，这几乎是不可能的。由此考虑到是否可以把条件放宽，仅仅要求其数字特征(数学期望和协方差)相等。
定义2（宽平稳）
若随机变量{},t x t T ∈的均值（一阶矩）和协方差（二阶矩）存在，且满足：
（1）任取t T ∈，有()t E x c =；
（2）任取t T ∈，t T τ+∈，有
[(())(())]()E X t a X t a R ττ-+-=
协方差是时间间隔的函数。则称{},t x t T ∈ 为宽平稳过程，其中()R τ为协方差函数。
2 各种随机时间序列的表现形式
白噪声过程（white noise ，如图
1
）。属于平稳过程。y t = u t , u t IID(0, 2
)
图1 白噪声序列（2=1）
随机游走过程（random walk，如图11）。属于非平稳过程。y t = y t-1 + u t, u t IID(0, 2)
图2 随机游走序列（2=1）
图3 日元兑美元差分序列
图4深圳股票综合指数
图5随机趋势非平稳序列（= ）图6 随机趋势非平稳序列（= ）图7 对数的中国国民收入序列
图8 中国人口序列
3 延迟算子
延迟算子类似于一个时间指针，当前序列值乘以一个延迟算子，就相当于把当前序列值的时间向过去拨了一个时刻，记B 为延迟算子，有,1p t p t x B x p -=?≥。
特别1)B （－是差分算子。
4．ARMA(p,q)模型及其平稳性和可逆性
模型类型及其表示
在平稳时间序列的分析中，应用最广泛的是有限参数模型。
p 阶自回归模型：用自己的过去和现在的随机干扰表t X 。 1122t t t p t p t X X X X a φφφ---=++++L t a 是白噪声。
q 阶移动平均模型：用现在和过去的随机干扰表t X 。
1122t t t t q t q X a a a a θθθ---=----L
p 阶自回归和q 阶移动平均模型：自己的过去及过去和现在的随机干扰表t X 。
1122t t t p t p X X X X φφφ-------=L 1122t t t q t q a a a a θθθ-------L
其中t a 是白噪声序列。
平稳性
1122t t t p t p t X X X X a φφφ---=++++L 是平稳时间序列的反映
吗？如果它是平稳时间序列的模型，回归系数应该满足何种条件呢？
例 设t X 是一阶自回归模型，即11t t t X X a φ-=+ 或()t t B X a Φ=，其中1()1B B φΦ=- 则11(1)
t t X a B φ=-（利用等比级数的通项和公式） =10
j j t j B a φ∞
=∑
=10
j t j j a φ∞-=∑
如果1||1φ>，10j t t j j X a φ∞
-==∑，t j a -的系数随着j 的增加而
趋于无穷大，这显然违背了“远小近大”的原则，由此可见，平稳的充分必要条件是1||1φ<，1||1φ<的充分必要条件方程110z φ-=的根在单位圆外。
设{}t x 是一个p 阶自回归模型
t p t p t t t t a X X X X X +++++=----φφφφΛ332211
或 ()t t B X a Φ=
其中： 23123()1p p B B B B B φφφφΦ=-----L 。{}t x 平
稳的充分必要条件是：
2312310p p φγφγφγφγ-----=L 的根在单位圆外； 1231230p p p p p λφλφλφλφ--------=L 的根在单位圆内1。
可逆性
我们可以考虑到一个时间序列t
X 是否可以用它的现在值和过去值来表示现在时刻的随机干扰t
a 呢？即 ()t t a B X =I
这种表达式称为“逆转形式”。如果一个时间序列具有逆转形式，也就是说逆转形式存在且平稳，通常称该过程t X
1证明请参看附录1。
具有可逆性。
例 设t X 是一阶滑动平均模型，即11t t t X a a θ-=- 或()t t X B a =Θ，其中1()1B B θΘ=- 则11(1)
t t a X B θ=-（利用等比级数的通项和公式） =10
j j t j B X θ∞
=∑
=10
j t j j X θ∞-=∑
对于一阶滑动平均模型11t t t X a a θ-=-，无论1θ取何值，11t t t X a a θ-=-是一个名副其实的平稳序列，但是对于
11t t t X a a θ-=- 的“逆转形式”是否存在，则取决于||1θ是否小于1。如果1||1θ>，
11
j t t j t j X X a θ∞
-==-+∑
t j X -的系数随着j 的增加而趋于无穷大，这显然违背了“远小近大”的原则，由此可见，11t t t X a a θ-=- 的逆转形式存在的充分必要条件为1||1θ<，1||1θ<的充分必要条件方程110z θ-=的根在单位圆外。
1122()t t t t q t q t X a a a a B a θθθ---=----=ΘL 可逆的充分必要条件为，方程212()10q q z z z z θθθΘ=----=L 的根在单位
圆外。12120q q q q γθγθγθ------=L 的根在单位圆内2。
由于自回归模型
112233t t t t p t p t X X X X X a φφφφ----=+++++L 稍微变形，就是用系统的现在和过去值表示随机干扰项，所以自回归模型自然可逆。
ARMA （p ，q ）的平稳性和可逆性
设时间序列{}t X 是ARMA （p,q ）模型
1122t t t p t p
X X X X φφφ-------L
2证明参看附录2。
1122t t t q t q a a a a θθθ---=----L
令 212()1p p B B B B φφφΦ=----L
212()1q
q
B B B B θθθΘ=----L 则模型记为 ()t B X Φ=()t
B a Θ 如果 1. 0p φ≠，0q θ≠；
2. ()B Φ和()B Θ无公共因子；
3. ()0z Φ=和()0z Θ=的根在单位圆外。
则{}t X 是自回归移动平均模型，平稳且可逆。它有传递形式
()()
t t B X a B Θ=Φ，由此可以认为，任何一个自回归滑动平均模型
都可以用一个足够高阶的滑动平均模型逼近。逆转形式
()()
t t B a X B Φ=Θ，可见任何一个自回归滑动平均模型都可以用一个足够高阶的自回归模型逼近。
5 平稳时间序列的统计特征
总体的自相关函数和样本的自相关函数（看参考教材 王燕，应用时间序列分析，中国人大出版社，2005）
一、 AR(p)模型的自相关函数
AR(p)模型，自相关函数快速收敛于零，但不等于零,“拖尾”。又因为ARMA （p ，q ）模型()()t t B x B εΦ=Θ的可逆性，
即
()
()
t t
B
x
B
ε
Φ
=
Θ
，所以任何一个ARMA（p，q）模型都可以表示
为一个足够高阶的AR（p）模型，所以ARMA（p，q）模型与AR（p）模型有相同的统计特性。下面从可以从图18到图25观察时间序列图与其自相关函数图的特点。
图9 白噪声序列的自相关函数
图10 白噪声序列的自相关函数图
图11 人工模拟序列
X=0.65X+0.36X+a图
t t-1t-2t
图12 人工模拟序列
X=0.65X+0.36X+a的自相关函数图
t t-1t-2t
图13 模拟随机游走序列t t t a x x +=-1图
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;
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。
目录 摘要 (1) 第一章绪论 (2) 1.1 时间序列模型的发展及其作用 (2) 1.2 什么是时间序列模型 (2) 1.3 本文研究的主要方法和手段 (2) 1.4 本文主要研究思路及内容安排 (2) 第二章 ARMA模型 (4) 2.1 ARMA模型的基本原理 (4) 2.2 样本自协方差函数、自相关函数和偏相关函数 (4) 2.3 ARMA模型识别方法 (5) 2.4 模型参数估计 (6) 第三章实例分析 (7) 3.1 题目 (7) 3.2 问题分析 (7) 3.3 问题求解 (8) 3.3.1数据的观测 (8) 3.3.2数据处理 (8) 3.3.3求解自相关和偏相关函数 (8) 3.4 模型的识别及求解 (9) 3.5 结论 (11) 参考文献 (12) 附录 (12) 评阅书 (15)
《随机过程》课程设计任务书
摘要 ARMA模型是研究时间序列的重要方法，由自回归模型（简称AR模型）与滑动平均模型（简称MA模型）为基础“混合”构成。ARMA模型广泛应用在经济、工程等各个领域得益于其在具体预测方面的优势。在许多方面用该模型所作出的预测比其他传统经济计量方法更加精确。平稳时间序列模型主要有自回归模型(AR)、滑动平均模型(MA)和自回归滑动平均模型(ARMA)等，这些线性模型考虑因素较简单。自回归滑动平均模型(ARMA)计算简单，易于实时更新数据。 本文描述了ARMA模型的原理、自相关函数和偏相关函数的计算过程、模型的识别方法以及ARMA模型的计算过程。并给出一组平稳时间序列的数据，对数据进行分析和处理，求出自相关系数和偏相关，并利用MATLAB软件画出自相关系数和偏相关图形，有图可知它们都是拖尾的，因此可以确定是) ARMA模 p , (q 型。接下来就是确定) ARMA的阶数，本文采用了AIC准则确定模型的阶数， p , (q 在实际问题中，为使线性模型简单起见，通常p与q的数值被取得较小，却需都不为零。确定阶数后，就用我们学过的求解方法解出未知的参数，这样我们就得到了混合模型的表达式。 关键字：) ARMA模型，自相关函数，偏相关函数 p , (q
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 ，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 ()0t E x =,2 1 () 1.9610.7 t Var x ==-,220.70.49ρ==,220φ= 3.2 1715φ=,2115 φ= 3.3 ()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= 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：32 --c 0c λλλ+=，解该特征方程得三个特征根： 11λ=，2c λ=3c λ=-
基于ARMA模型的社会融资规模增长分析 ————ARMA模型实验
第一部分实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。 第二部分实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。 2.2所选数据变量 社会融资规模指一定时期（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。 第三部分 ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图：
图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图
对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图 上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下： 表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.*
第一章习题答案 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 Au+ocorreliil. i ons Correlation -1 M 7 6 5 4 3 2 1 0 I ； 3 4 5 6 7 9 9 1 1.00000■Hi ■ K. B H,J B ik L L1■* J.1 jA1-.IM L L* rn^rp ■ i>i?iTwin H'iTiii M[lrp i,*nfr 'TirjlvTilT'1 iBrp O.7QOO0■ill. Ii ill ■ _.ill?L■ ill iL si ill .la11 ■ fall■ 1 ■ rpTirp Tp和阳申■丽轉■晒?|?卉（ft 0.41212■强:料榊＜牌■ 0.14343'■讯榊* -.07078■ -.25758, WWHOHHf ■ -.375761 marks two 总t and&rd errors 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
Ctorrelat ion LOOOOO n.A'7F1 0.72171 0.51252 Q,34982 0.24600 0.20309 0.?1021 0.26429 0.36433 0.49472 0.58456 0.60198 0.51841 Q ?菲晡 日 0.20671 0.0013& -,03243 -.02710 Q.01124 0,08275 0.17011 Autocorrel at ions raarka two standard errors 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 AuEocorreI ati ons 弗卅制iti 电卅栅冷卅樹 側樹 榊 惟 1 ■ liihCidi iliihQriHi il>LljU_nll Hnlidiili Hialli iT ,, T^,, T^s ?T* iTijTirr ,^T 1 IT * -i> ■> - ■ ■ *畑** ? ■ ■ 耶曲邯 ? ■ ■ ■ >|｛和怦I ｛册卅KHi 笊出恸 mrpmrp 山!rpEHi erp . 卑*寧* a 1 *
Lecture 6 6. Time series analysis: Multivariate models 6.1Learning outcomes ?Vector autoregression (VAR) ?Cointegration ?Vector error correction model (VECM) ?Application: pairs trading 6.2Vector autoregression (VAR)向量自回归 The classical linear regression model assumes strict exogeneity; hence, there is no serial correlation between error terms and any realisation of any independent variable (lead or lag). As we discovered, serial correlation (or autocorrelation) is very common in financial time series and panel data. Furthermore, we assumed a pre-defined relation of causality: explanatory variable affect the dependent variable? 传统的线性回归模型假设严格的外主性，误差项与可实现的独立变量之间没有序列相关性。金融时间序列及面板数据往往都有很强的自相关性，假定解释变量影响因变量。 We now relax bo什］assumptions using a VAR model. VAR models can be regarded as a generalisation of AR(p) processes by adding additional time series. Hence, we enter the field of multivariate time series analysis. VAR模型可以'"l作是在一般的自回归过程中加入时间序列。 Lefs look at a standard AR(p) process for hvo variables (y( and xj? (1)%= Ql + 琅］仇『一 +仏 (2)x t = a2 + - + ￡2t The next step is to allow that lagged values of xt can affect y( and vice versa. This means that we obtain a system of equations for two dependent variables(y(and xj?Both dependent variables are influenced by past realisations of y(and x t. By doing that, we violate strict exogeneity (see Lecture 2); however, we can use a more relaxed concept, namely weak exogeneity?As we use lagged values of bodi dependent variables, we can argue that these lagged values are known to us, as we observed them in the previous period? We call these variables predetermined? Predetermined (lagged) variables fulfil weak exogeneity in the sense that they have to be uncorrelated with the contemporaneoiis error term in t? We can still use OLS to estimate the following system of equations, which is called a VAR in reduced form. (3)+y 仇1化_丫+sr=i ^12 +￡it (4)X t = a2+2X1021”—, + _i + f2t
第３３卷 第１７８期２０１２年７月 财经理论与实践（双月刊） ＴＨＥ ＴＨＥＯＲＹ ＡＮＤ ＰＲＡＣＴＩＣＥ ＯＦ ＦＩＮＡＮＣＥ ＡＮＤ ＥＣＯＮＯＭＩＣＳ Ｖｏｌ．３３ Ｎｏ．１７８ Ｊｕｌ． ２０１２ ·信息与统计· 基于时间序列模型的中国ＧＤＰ增长预测分析 何新易 （南通大学商学院，江苏南通 ２２６０１９）＊ 摘 要：作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标，如果能够对ＧＤＰ做出正确的预测，必然可以有效引导宏观经济健康发展，为高层管理部门提供决策依据。选用适合短期预测的ＡＲＩＭＡ模型对中国１９５２～２０１０年的ＧＤＰ进行计量建模分析，预测结果认为未来五年中国的经济增长仍将处于一个水平较高的上升通道。 关键词：时间序列模型；ＧＤＰ；预测 中图分类号：Ｆ２３４ 文献标识码： Ａ 文章编号：１００３－７２１７（２０１２）０４－００９６－０４ 一、引 言 作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标，国内生产总值（Ｇｒｏｓｓ Ｄｏｍｅｓｔｉｃ Ｐｒｏｄｕｃｔ，ＧＤＰ）对于判断经济态势运行、衡量经济综合实力、正确制定经济政策等诸多方面，以及在经济研究实际工作中，均起着不可替代的重要作用。 熊志斌（２０１１）深入分析了时间序列模型与神经网络（ＮＮ）模型的优势和劣势，按照两种模型的预测特性，在比较的基础之上，分别构建了ＡＲＩＭＡ模型和ＮＮ模型，并根据一定算法对两种模型进行了集成。将ＧＤＰ时间序列的数据结构，根据在非线性空间和线性空间的预测优势，进一步分解为线性非线性残差和自相关主体两部分，即首先用ＡＲＩＭＡ分析技术构建线性主体模型，然后用ＮＮ模型估计非线性残差，再对序列的整个预测结果进行最终集成。仿真实证结果表明：与单一模型相比，集成模型的预测准确率显著提高，进行ＧＤＰ预测当然使用集成模型更为有效［１］。桂文林和韩兆洲（２０１１）认为由于迄今为止，包括季度ＧＤＰ在内的经季节调整之后的经济数据，中国政府尚未进行公布，不但无法进行国际之间的横向比较，也不利于监测中国宏观经济态势。本文运用１９９６年第１季度至２００９年第４季度的中国实际ＧＤＰ数据，构建了状态空间模型，使用卡尔曼滤波迭代算法对季节调整模型状态向量的 各分量，进行了最优平滑、预测和估计，并使用极大似然方法估计了超参数。经过对ＧＤＰ的主要季节和趋势特征的分析，计算出了环比增长率指标来监测和分析经济走势，并与国际通用的ＴＲＡＭＯ－ＳＥＡＴＳ季节调整模型进行了对比，以便鉴别趋势拐点，制定相关的经济政策［２］。高帆（２０１０）运用１９５２～２００８年的上海ＧＤＰ增长率数据，实证研究其内在变动机制，将ＧＤＰ增长率分解为纯生产率效应、纯劳动投入效应、纯生产结构效应、纯劳动结构效应，并分析了这四种效应之间的交互影响。结果表明：在上海ＧＤＰ增长率提高的四种效应之中，纯生产率效应起到了关键作用。上海ＧＤＰ增长率自１９７８年改革开放之后，在整体上对纯生产率效应的依赖度趋于增强。在１９７８～１９８９年期间，纯劳动结构效应是ＧＤＰ增长的主要因素，由于市场化改革的进一步加大，劳动力跨部门流转在很大程度上得以实现。在１９９０～２００８年期间，纯生产率效应是ＧＤＰ增长的主要因素，正是由于在此历史阶段，由于资本深化进一步加速，从而有效提高了部门劳动生产率。基于实证的研究结论，可以针对性地制定出今后上海市经济实现持续增长的若干宏观政策［３］。腾格尔和何跃（２０１０）利用中国季度ＧＤＰ数据分别构建了ＡＲＩＭＡ和ＡＲＣＨ模型，同时利用ＧＭＤＨ自组织方法尝试建模，经过Ｂｏｎ－ｆｅｒｒｏｎｉ－Ｄｕｎｎ检验，表明与单一模型相比，组合模型的拟合能力更强。研究表明，基于ＧＭＤＨ组合的ＧＤＰ模 ＊收稿日期： ２０１２－０２－１２ 作者简介： 何新易（１９６６—），男，湖北武汉人，南通大学商学院副教授，经济学博士，研究方向：宏观国民经济问题、中国企业集团融资和投资。
基于ARMA模型的社会融资规模增长分 析 ————ARMA模型实验
第一部分实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。 第二部分实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。 2.2所选数据变量 社会融资规模指一定时期（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。 第三部分ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图：
图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图
对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图 上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下： 表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.*
梧州学院 论文题目基于时间序列分析梧州市财政 收入研究 系别数理系 专业信息与计算科学 班级 09信息与计算科学 学号 200901106034 学生姓名胡莲珍 指导老师覃桂江 完成时间
摘要 梧州市财政收入主要来源于基金收入，地方税收收入和非税收收入等几方面。近年来梧州市在自治区党委、自治区政府和市委的正确领导下，全市广大干部群众深入贯彻落实科学发展观，抢抓机遇，开拓进取，克难攻坚，使得全市经济连续几年快速发展，全市人民的生活水平也大幅度提高，但伴随着发展的同时也存在一些问题，本文主要通过研究分析梧州财政收入近几年的状况，根据采用时间序列分析中的一次简单滑动平均法研究分析梧州市财政收入和支出的情况，得到的结果是梧州市财政收入呈现下降状态，而财政支出却逐年上涨，这种状况将导致梧州市人民生活水平下降，影响梧州市各方面的发展。给予一些有益于梧州市财政发展的建议。本文首先介绍主要运用的时间序列分析的概念及其一次简单滑动平均法的方法，再用图表说明了梧州市财政近几年的财政收入和支出状况，然后建立模型，分析由时间序列分析方法得出的对2012年财政收入状况的预测结果，最后，鉴于提高梧州市财政收入的思想，给予了一些合理性建议，比如：积极实施工业强县战略，壮大工业主导财源；大力发展第三产业，强化地方财源建设；完善公共财政支出机制，着力构建和谐社会。 关键词：梧州市；财政收入；时间序列分析；建立模型；建议
Based onThe Time Series Analysis of Wuzhou city Finance Income Studies Abstract Wuzhou city, fiscal revenue mainly comes from fund income, local tax revenue and the tax revenue etc. Wuzhou city in recent years in the autonomous region party committee, the government of the autonomous region and the municipal party committee under the correct leadership, the cadres and masses thoroughly apply the scientific outlook on development, catch every opportunity, pioneering and enterprising, g hard, make the crucial economic rapid development for several years, the people's living standard has also increased significantly, but with the development at the same time, there are also some problems, this paper mainly through the research and analysis the condition of wuzhou fiscal revenue in recent years, according to the time series analysis of a simple moving average method research and analysis of financial income and expenditure wuzhou city, the result obtained is wuzhou city, fiscal revenue decline present condition, and fiscal spending is rising year by year, the situation will lead to wuzhou city, the people's living standards decline, influence all aspects of wuzhou city development. Give some Suggestions on the development of the financial benefit wuzhou city. This paper first introduces the main use of the time series analysis of the concept and a simple moving average method method, reoccupy chart illustrates the wuzhou city, in recent years the financial revenue and expenditure situation, then set a model, analysis the time series analysis method to draw 2012 fiscal income condition prediction results, finally, in view of wuzhou city, improve the financial income thoughts, give some advice, for instance: rationality vigorously implement the strategy of industrial county, strengthen the industry leading financial sources, A vigorous development of the third industry, and to strengthen the construction of local revenue;
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
时间序列分析法原理及步骤 ----目标变量随决策变量随时间序列变化系统 一、认识时间序列变动特征 认识时间序列所具有的变动特征, 以便在系统预测时选择采用不同的方法 1》随机性:均匀分布、无规则分布,可能符合某统计分布(用因变量的散点图和直方图及其包含的正态分布检验随机性, 大多服从正态分布 2》平稳性:样本序列的自相关函数在某一固定水平线附近摆动, 即方差和数学期望稳定为常数 识别序列特征可利用函数 ACF :其中是的 k 阶自 协方差,且 平稳过程的自相关系数和偏自相关系数都会以某种方式衰减趋于 0, 前者测度当前序列与先前序列之间简单和常规的相关程度, 后者是在控制其它先前序列的影响后,测度当前序列与某一先前序列之间的相关程度。实际上, 预测模型大都难以满足这些条件, 现实的经济、金融、商业等序列都是非稳定的,但通过数据处理可以变换为平稳的。 二、选择模型形式和参数检验 1》自回归 AR(p模型
模型意义仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用,不受模型变量互相独立的假设条件约束,所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性的比你更造成的困难用 PACF 函数判别 (从 p 阶开始的所有偏自相关系数均为 0 2》移动平均 MA(q模型 识别条件
平稳时间序列的偏相关系数和自相关系数均不截尾,但较快收敛到 0, 则该时间序列可能是 ARMA(p,q模型。实际问题中,多数要用此模型。因此建模解模的主要工作时求解 p,q 和φ、θ的值,检验和的值。 模型阶数 实际应用中 p,q 一般不超过 2. 3》自回归综合移动平均 ARIMA(p,d,q模型 模型含义 模型形式类似 ARMA(p,q模型, 但数据必须经过特殊处理。特别当线性时间序列非平稳时,不能直接利用 ARMA(p,q模型,但可以利用有限阶差分使非平稳时间序列平稳化,实际应用中 d (差分次数一般不超过 2. 模型识别 平稳时间序列的偏相关系数和自相关系数均不截尾,且缓慢衰减收敛,则该时间序列可能是 ARIMA(p,d,q模型。若时间序列存在周期性波动, 则可按时间周期进
第一章平稳时间序列模型及其特征 第一节模型类型及其表示 一、自回归模型（AR） 由于经济系统惯性的作用，经济时间序列往往存在着前后依存关系。最简单的一种前后依存关系就是变量当前的取值主要与其前一时期的取值状况有关。用数学模型来描述这种关系就是如下的一阶自回归模型： X t=φX t-1+εt（2.1.1）常记作AR(1)。其中｛X t｝为零均值（即已中心化处理）平稳序列，φ为X t对X t－1的依赖程度，εt为随机扰动项序列（外部冲击）。 如果X t 与过去时期直到X t-p的取值相关，则需要使用包含X t－ X t-p在内的p阶自回归模型来加以刻画。P阶自回归模型的一1 ，…… 般形式为： X t=φ1 X t－1+φ2 X t－2+…+φp X t－p+εt（2.1.2）为了简便运算和行文方便，我们引入滞后算子来简记模型。设B 为滞后算子，即BX t=X t-1, 则B(B k-1X t)=B k X t=X t-k B(C)=C(C为常数)。利用这些记号，（2.1.2）式可化为： X t=φ1BX t+φ2B2X t+φ3B3X t+……+φp B p X t+εt 从而有： （1-φ1B-φ2B2-……-φp B p）X t=εt 记算子多项式φ（B）＝（1-φ1B-φ2B2-……-φp B P）,则模型可以表
示成 φ（B）X t=εt (2.1.3) 例如，二阶自回归模型X t=0.7X t-1+0.3X t-2+0.3X t-3+εt可写成（1-0.7B-0.3B2）X t=εt 二、滑动平均模型（MA） 有时，序列X t的记忆是关于过去外部冲击值的记忆，在这种情况下，X t可以表示成过去冲击值和现在冲击值的线性组合，即 X t=εt-θ1εt-1-θ2εt-2-……-θqεt-q (2.1.4) 此模型常称为序列X t的滑动平均模型，记为MA(q)，其中q为滑动平均的阶数，θ1，θ2…θq为参滑动平均的权数。相应的序列X t称为滑动平均序列。 使用滞后算子记号，（2.1.4）可写成 X t=（1-θ1B-θ2B2-……- θq B q）q t=θ(B)εt (2.1.5) 三、自回归滑动平均模型 如果序列｛X t｝的当前值不仅与自身的过去值有关，而且还与其以前进入系统的外部冲击存在一定依存关系，则在用模型刻画这种动态特征时，模型中既包括自身的滞后项，也包括过去的外部冲击，这种模型叫做自回归滑动平均模型，其一般结构为： X t=φ1X t-1+φ2X t-2+……+φp X t-p+εt-θ1εt-1-θ2εt-2-……-θqεt-q (2.1.6) 简记为ARMA(p, q)。利用滞后算子，此模型可写为 φ（B）X t=θ(B)εt（2.1.7）
基于时间序列模型与线性回归模型的历史数据预测 摘要：本文通过具体案例，简要说明根据时间序列数据建立和相应经济理论建立线性回归模型的简要步骤及基本原则，并着重介绍了在模型建立和模型有效性检验过程中需要注意的三个主要问题，最后简单介绍了进行模型修正的相应方法。 一、引言 多元线性回归模型的一般形式为： Y=β0+β1X1+β2X2+…+βkXk+μi(k,i=1,2,…,n) 其中k为解释变量的数目，βk（k=1,2,…,n)称为回归系数,上式也被称为总体回归函数的随机表达式。 从统计意义上说，所谓时间序列模型就是将某一个指标在不同时间上的不同数值，按照时间的先后顺序排列而成的数列。这种数列由于受到各种偶然因素的影响，往往表现出某种随机性，彼此之间存在着统计上的依赖关系。从数学意义上说，如果我们对某一过程中的某一个变量或一组变量X(t)进行观察测量，在一系列时刻t1,t2,…,tn(t为自变量，且t1
相关主题
文本预览