多元时间序列分析基础一

最新推荐文章于 2024-08-15 15:27:26 发布

tonyhxhd

最新推荐文章于 2024-08-15 15:27:26 发布

阅读量1w

点赞数 1

分类专栏：数量金融

本文链接：https://blog.csdn.net/tonyhxhd/article/details/78546655

版权

本文介绍了多元时间序列分析的基础，探讨如何通过分析动态相关性以获得更准确的预测。通过生成和模拟white noise序列，讨论了序列的平稳性，并利用cross covariance/correlation matrices和Ljung-Box Test检验序列间的关联性。文章引用了Tsay的《Multivariate Time Series Analysis with R and Financial Applications》一书作为参考。

摘要由CSDN通过智能技术生成

knitr::opts_chunk$set(echo = TRUE, warning = F, message = F)

多元时间序列分析的目的可以概括为分析不同时间序列的动态相关性，从而得到单元序列分析更准确的预测。首先，我们生成k = 3个时间序列， $y_1, y_2, y_3$ , 每个序列长度T为500。从单元时间序列分析得知，分析的重点在残差，即矫正过的时间序列，比较宽松但是很实际的假设是时间序列是一个white noise，所以这里模拟的序列从简单出发也是white noise。假定我们已经知道三个序列的Covariance Matrix $cm$ 为

temp = matrix(c(1.2, -0.3, 0.8, -.3, .85, 1.45, .8, 1.45, .68), 3, 3)
colnames(temp) = c("z1","z2", "z3")
rownames(temp) = colnames(temp)
temp

三个时间序列的平均数 $mn = (0， 0， 0)'$ , 那么我们可以模拟得到这个三时间序列

require(mvtnorm) 
cm = matrix(c(1.2, -0.3, 0.1, -.3, 1.5, 0.2, .1, .2, .68),3,3)
mn = c(0, 0, 0)
set.seed(1000) # for  replication 
zr = rmvnorm(500, mean = mn, sigma = cm)
colnames(zr) = c("z1","z2", "z3") 
dim(zr) 
head(zr, n = 5) 
var(zr) # check covariance matrix
apply(zr, 2, mean) # check mean