文章目录
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
r_t
rt的均值和协方差
c
o
v
(
t
t
,
r
t
−
l
)
cov(t_{t},r_{t-l})
cov(tt,rt−l)不随时间而改变
(a) E ( r t ) = μ E(r_t)=\mu E(rt)=μ, which is a constant
(b) c o v ( r t , r t − l ) = γ l cov(r_t,r_{t-l})=\gamma_l cov(rt,rt−l)=γl, which only depends on l l l
若平稳性意味着数据的时间图显示出 T T 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
r_t
rt和
r
t
−
l
r_{t-l}
rt−l之间的相关系数称为
r
t
r_t
rt间隔为
l
l
l的自相关系数:
ρ
l
=
c
o
v
(
r
t
,
r
t
−
l
)
v
a
r
(
r
t
)
v
a
r
(
r
t
−
l
)
=
c
o
v
(
r
t
,
r
t
−
l
)
v
a
r
(
r
t
)
=
γ
l
γ
0
ρ
l
^
=
∑
t
=
l
+
1
T
(
r
t
−
r
ˉ
)
(
r
t
−
l
−
r
ˉ
)
∑
t
=
1
T
(
r
t
−
r
ˉ
)
2
\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}\\ \hat{\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}
ρl=var(rt)var(rt−l)cov(rt,rt−l)=var(rt)cov(rt,rt−l)=γ0γlρl^=∑t=1T(rt−rˉ)2∑t=l+1T(rt−rˉ)(rt−l−rˉ)
ρ
^
l
\hat{\rho}_l
ρ^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 σ 2 \sigma^2 σ2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
=
μ
+
∑
i
=
0
∞
ψ
i
a
t
−
i
=
μ
+
a
t
+
ψ
1
a
t
−
1
+
ψ
2
a
t
−
2
+
⋯
r_t=\mu+\sum_{i=0}^{\infty}\psi_ia_{t-i} =\mu+a_t+\psi_1a_{t-1}+\psi_2a_{t-2}+\cdots
rt=μ+i=0∑∞ψiat−i=μ+at+ψ1at−1+ψ2at−2+⋯
其中
{
a
t
}
\{a_t\}
{at}是白噪声,
ψ
0
=
1
\psi_0=1
ψ0=1。
E
(
r
t
)
=
μ
,
V
a
r
(
r
t
)
=
σ
a
2
∑
i
=
0
∞
ψ
i
2
E(r_t)=\mu,\quad Var(r_t)=\sigma_a^2\sum_{i=0}^{\infty}\psi_i^2
E(rt)=μ,Var(rt)=σa2i=0∑∞ψi2
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
σ
a
2
\sigma_a^2
σa2的白噪声序列。
Given the past return
r
t
−
1
r_{t-1}
rt−1, the current return is centered around
ϕ
0
+
ϕ
1
r
t
−
1
\phi_0+\phi_1r_{t-1}
ϕ0+ϕ1rt−1, with standard deviation
σ
a
\sigma_a
σa.
AR§
r
t
=
ϕ
0
+
ϕ
1
r
t
−
1
+
ϕ
2
r
t
−
2
+
⋯
+
ϕ
p
r
r
−
p
+
a
t
r_t=\phi_0+\phi_1r_{t-1}+\phi_2r_{t-2}+\cdots+\phi_pr_{r-p}+a_t
rt=ϕ0+ϕ1rt−1+ϕ2rt−2+⋯+ϕprr−p+at
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
∣
ϕ
1
∣
<
1
|\phi_1|<1
∣ϕ1∣<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_1ia_{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
r_{t-1}
rt−1与残差
a
t
a_t
at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
γ l = { ϕ 1 γ 1 + σ a 2 i f l = 0 ϕ 1 γ l − 1 i f l > 0 \gamma_l=\left\{ \begin{array}{rcl} \phi_1\gamma_1+\sigma_a^2 & & if \text{ }l=0\\ \phi_1\gamma_{l-1} & & if \text{ }l>0\\ \end{array} \right. γl={ϕ1γ1+σa2ϕ1γl−1if l=0if l>0
AR(2) Model
r
t
=
ϕ
0
+
ϕ
1
r
t
−
1
+
ϕ
2
r
t
−
2
+
a
t
r
t
−
μ
=
ϕ
1
(
r
t
−
1
−
μ
)
+
ϕ
2
(
r
t
−
2
−
μ
)
+
a
t
r_t=\phi_0+\phi_1r_{t-1}+\phi_2r_{t-2}+a_t\\ r_t-\mu=\phi_1(r_{t-1}-\mu)+\phi_2(r_{t-2}-\mu)+a_t
rt=ϕ0+ϕ1rt−1+ϕ2rt−2+atrt−μ=ϕ1(rt−1−μ)+ϕ2(rt−2−μ)+at
自相关函数:
γ
l
=
ϕ
1
γ
l
−
1
+
ϕ
2
γ
l
−
2
\gamma_l=\phi_1\gamma_{l-1}+\phi_2\gamma_{l-2}
γl=ϕ1γl−1+ϕ2γl−2, for
l
>
0
l>0
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
−
θ
1
a
t
−
1
r_t=c_0+a_t-\theta_1 a_{t-1}
rt=c0+at−θ1at−1
或者
r
t
=
c
0
+
(
1
−
θ
1
B
)
a
t
r_t=c_0+(1-\theta_1 B)a_t
rt=c0+(1−θ1B)at
MA(q)
r
t
=
c
0
+
a
t
−
θ
1
a
t
−
1
−
θ
2
a
t
−
2
−
⋯
−
θ
q
a
t
−
q
r_t=c_0+a_t-\theta_1a_{t-1}-\theta_2a_{t-2}-\cdots-\theta_qa_{t-q}
rt=c0+at−θ1at−1−θ2at−2−⋯−θqat−q
2.6 简单的ARMA模型
ARMA(1,1)
r
t
−
ϕ
1
r
t
−
1
=
ϕ
0
+
a
t
−
θ
1
a
t
−
1
r_t-\phi_1 r_{t-1}=\phi_0+a_t-\theta_1a_{t-1}
rt−ϕ1rt−1=ϕ0+at−θ1at−1
ARMA(p,q)
r
t
=
ϕ
0
+
∑
i
=
1
p
ϕ
i
r
t
−
i
+
a
t
−
∑
i
=
1
q
θ
i
a
t
−
i
r_t=\phi_0+\sum_{i=1}^{p}{\phi_i}r_{t-i}+a_t-\sum_{i=1}^{q}\theta_ia_{t-i}
rt=ϕ0+i=1∑pϕirt−i+at−i=1∑qθiat−i