时间序列分析（一）

金融时间序列分析（第一讲）

资料

Penn State: Applied Time Series Analysis

蔡瑞胸教授的主页：http://faculty.chicagobooth.edu/ruey.tsay/teaching/

FinTS是与《金融时间序列分析》配套的R package：

install.packages("FinTS")
library("FinTS")
help(package="FinTS")

##第2章 线性时间序列分析及其应用
金融时间序列是研究资产价值随时间演变的理论和实践。

2.1 平稳性

• 严平稳(strictly stationary)：相同的联合分布，要求 { r t 1 , ⋯   , r t k } \{r_{t_1},\cdots,r_{t_k}\} {rt1​​,⋯,rtk​​}在时间的平移变换下保持不变。
  
• 弱平稳(weakly stationary)：$r_t$的均值和协方差$cov(t_t,r_{t-l})$不随时间而改变
  (a) $E(r_t)=\mu$, which is a constant
  (b) $cov(r_t,r_{t-l})={\gamma }_l$, which only depends on $l$

若平稳性意味着数据的时间图显示出$T$个值围绕一个常数水平上下波动，这使得我们对于时间序列的预测成为可能。通常我们假设asset return series是弱平稳的

自相关函数（Autocorrelation Function, ACF）

考虑一个弱平稳的收益序列 { r t } \{r_t\} {rt​}，$r_t$和$r_{t-l}$之间的相关系数称为$r_t$间隔为$l$的自相关系数：
$$\begin{gathered} {\rho }_l=\frac{cov(r_t,r_{t-l})}{\sqrt{var(r_t)var(r_{t-l})}}=\frac{cov(r_t,r_{t-l})}{var(r_t)}=\frac{{\gamma }_l}{{\gamma }_0} \\ \widehat{{\rho }_l}=\frac{{\sum }_{t=l+1}^T(r_t-\bar{r})(r_{t-l}-\bar{r})}{{\sum }_{t=1}^T(r_t-\bar{r}{)}^2} \end{gathered}$$
${\hat{\rho }}_l$ is asymptotically normal with mean zero and variance 1/T。

2.3 白噪声和线性时间序列

白噪声

如果 { r t } \{r_t\} {rt​}是一个具有有限均值和方差的独立同分布随机变量序列，则称之为白噪声。特别地，如果 { r t } \{r_t\} {rt​}还服从均值为0，方差为${\sigma }^2$的正态分布，则称其为高斯白噪声。对于白噪声序列，所有的自相关函数都为0。

线性时间序列

$$r_t=\mu +\sum _{i=0}^{\infty }{\psi }_i{a}_{t-i}=\mu +a_t+{\psi }_1{a}_{t-1}+{\psi }_2{a}_{t-2}+\cdots$$
其中 { a t } \{a_t\} {at​}是白噪声，${\psi }_0=1$。
$$E(r_t)=\mu ,Var(r_t)={\sigma }_a^2\sum _{i=0}^{\infty }{\psi }_i^2$$

2.4 简单的自回归模型

AR(1) Model

\begin{align*}
&r_t=\phi_0+\phi_1r_{t-1}+a_t\
\Longrightarrow \quad & E(r_t|r_{t-1})=\phi_0+\phi_1r_{t-1},\
\quad &Var(r_t|r_{t-1})=Var(a_t)=\sigma_a^2
\end{align*}

{ a t } \{a_t\} {at​}为均值为0，方差为${\sigma }_a^2$的白噪声序列。
Given the past return $r_{t-1}$, the current return is centered around ${\varphi }_0+{\varphi }_1{r}_{t-1}$, with standard deviation ${\sigma }_a$.

AR§
$$r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+{\varphi }_2{r}_{t-2}+\cdots +{\varphi }_p{r}_{r-p}+a_t$$

2.4.1 AR模型的性质

Property

\begin{align*}
&E(r_t)=\phi_0+\phi_1E(r_{t-1})\
\Longrightarrow\quad &\mu=\phi_0+\phi_1\mu\
\Longrightarrow\quad &\mu=\frac{\phi_0}{1-\phi_1}\
\Longrightarrow \quad&r_t-\mu=\phi_1(r_{t-1}-\mu)+a_t
\end{align*}

平稳性条件为$|{\varphi }_1|<1$。
\begin{align*}
r_t-\mu&=\phi_1(r_{t-1}-\mu)+a_t\
&=a_t+\phi_1a_{t-1}+\phi_1^2a_{t-2} +\cdots\
&=\sum_{i=0}^{{\infty}\phi_1}ia_{t-i}\
\Longrightarrow \quad& cov(r_t,a_{t+1})=E[(r_t-\mu)a_{t+1}]=0\
&cov(r_{t-1},a_{t})=E[(r_{t-1}-\mu)a_{t}]=0\
& cov(a_t,r_t)=E(a_t(r_t-\mu))=E(a_t\phi_1(r_{t-1}-\mu)+a_t^2)\
&\quad\quad=Var(a_t)=\sigma_a^2
\end{align*}
即解释变量$r_{t-1}$与残差$a_t$是不相关的。

\begin{align*}
\gamma_l&=cov(r_t,r_{t-l})\
&=E[(r_t-\mu)(r_{t-l}-\mu)]\
&=E[(\phi_1(r_{t-1}-\mu)+a_t)(r_{t-l}-\mu)]\
&=\phi_1E[(r_{t-1}-\mu)(r_{t-l}-\mu)] \quad for \text{ }l>0
\end{align*}

AR（1）的自相关函数

$${\gamma }_l=\{\begin{array}{rcl}{\varphi }_1{\gamma }_1+{\sigma }_a^2& & ifl=0\\ {\varphi }_1{\gamma }_{l-1}& & ifl>0\end{array}$$

AR(2) Model

$$\begin{gathered} r_t={\varphi }_0+{\varphi }_1{r}_{t-1}+{\varphi }_2{r}_{t-2}+a_t \\ {r}_t-\mu ={\varphi }_1(r_{t-1}-\mu )+{\varphi }_2(r_{t-2}-\mu )+a_t \end{gathered}$$
自相关函数：
${\gamma }_l={\varphi }_1{\gamma }_{l-1}+{\varphi }_2{\gamma }_{l-2}$, for $l>0$

模型的检验

如果模型是充分的，残差应该是白噪声序列。

2.5 简单滑动平均模型

MA(1)
$$r_t=c_0+a_t-{\theta }_1{a}_{t-1}$$
或者
$$r_t=c_0+(1-{\theta }_{1}B)a_t$$

MA(q)
$$r_t=c_0+a_t-{\theta }_1{a}_{t-1}-{\theta }_2{a}_{t-2}-\cdots -{\theta }_q{a}_{t-q}$$

2.6 简单的ARMA模型

ARMA(1,1)
$$r_t-{\varphi }_1{r}_{t-1}={\varphi }_0+a_t-{\theta }_1{a}_{t-1}$$

ARMA(p,q)
$$r_t={\varphi }_0+\sum _{i=1}^p{\varphi }_i{r}_{t-i}+a_t-\sum _{i=1}^q{\theta }_i{a}_{t-i}$$