**线性(Linear)系统下平稳(Stationary)系统中的离散(Discrete)**数据。
对于AR模型下:
X
k
=
φ
1
X
k
−
1
+
φ
2
X
k
−
2
+
.
.
.
+
e
k
X_k = \varphi_1X_{k-1}+\varphi_2X_{k-2}+...+e_k
Xk=φ1Xk−1+φ2Xk−2+...+ek
X
k
X_k
Xk与
X
k
−
1
X_{k-1}
Xk−1到
X
k
−
10
X_{k-10}
Xk−10相关性越来越低,当到10阶还能看到相关性,就是说
X
k
X_{k}
Xk是10阶可信的。
γ x ( r , s ) = E ( X r X s ) − E ( X r ) E ( X s ) \gamma_x(r,s)=E(X_rX_s)-E(X_r)E(X_s) γx(r,s)=E(XrXs)−E(Xr)E(Xs)
ACF用于判断时间序列的相关性,当某一阶的ACF趋于零,说明次阶及之后序列是不相关的。
对于白噪声,ACF只存在0阶,也就是本身的相关系数为1,1阶之后都是不相关的(包括1阶)。白噪声序列本身不存在相关性。
而对于随机游走,不管多少阶都存在惟一(一直都是1)的相关性。
ACF是对MA有效,对AR是失效的。
-
MA
-
AR
-
偏自相关函数确定AR§中的p
-
平稳性
- 99%的金融数据模型都是基于平稳性构建的
- 模型的意义是为了预测下一时刻,对于非平稳时间序列,当前时刻无法预测其他时刻
-
非平稳序列
-
趋势
考察是否有趋势性
-
季节性
考察是否有季节性
-
-
白噪声
- E ( X t ) = 0 E(X_t)=0 E(Xt)=0
-
白噪声的一阶积分:随机游走
-
ARMA
-
非平稳时间序列-转换与分解
分解为三部分:趋势+差分+季节性
- 趋势
- 差分
- 季节性
-
建模过程
-
(plot时间序列)找出趋势性和季节性并除去-变为平稳
-
fit模型并检验残差
定阶,残差检验。
模型选择:
- AR§—PACF—p
- MA(q)—ACF—q
- ARMA
-
预测并转换
-
-
MLE
-
过拟合
- AIC
未完待续2019.5.10