本章介绍第一类非常重要的模型:自回归滑动平均模型(ARMA)。在真实案例中,ARMA模型也被高频的使用到,更是后面模型的基础,反正,时间序列是绕不过去ARMA模型的。
2.1 一般线性过程
ARMA模型属于一大类过程(模型),即一般线性过程。一听到线性过程,是不是就觉得不难了? 事实也是如此,别怕,干!
那什么叫线性过程呢?对一时间序列{ Yt}
,比如就是2017年06月 27日的上证指数。则其可表示成现在与过去白噪声的加权线性组合:
Yt=et+ψ1et−1+ψ2et−2+…t=0,±1,±2,…
其中{ et }代表白噪声序列, { ψj}={ ψj:j=0,1,2,…} 为一实数列(可认为 ψ0 为1)。考虑到收敛问题,需加一个限制条件: ∑∞j=0ψ2j<+∞
。
2.2 滑动平均过程
2.2.1 一阶滑动平均过程
在介绍ARMA模型前,先介绍一些它的简化版本,这样循序渐进,慢慢深入,痛苦也会少一点,快乐也就多一点。
最先介绍的当然是滑动平均(Moving Average, MA),而且是滑动平均的最简版:一阶滑动平均。
对于一阶滑动平均{ Xt
}:
Xt=et+θet−1t=0,±1,±2,…
通常称{X~t~} 为MA(1)序列。
接下来要探讨统计特征啦(以后,再学习一些模型时,都会经历这一步,其实这才是重点啊,因为这些特征告诉我们模型的特性,那也就暗示了模型的应用场景啊!当然,==从应用的层面,也不需要你知道怎么推导,故只需关注每个公式最后的等号就可以了==,当然如果想加深理解、记忆,每个公式仔细看是有必要的)
E(Yt)=E(et+θet−1)=0
varXt=var(et+θet−1)=σ2(1+θ2)
cov(Xt,Xt−1)=cov(et+θet−1,et−1+θet−2)=θσ2
cov(Xt,Xk)=cov(et+θet−1,ek+θek−1)=0,k≥2.
因此,对于MA(1),自协方差函数γk
和自相关系娄 ρk :
γ0=σ2(1+θ2),ρ0=1γ1=θσ2,ρ1=θ1+θ2γk=0,ρk=0,k≥2.⎫⎭⎬⎪⎪⎪⎪⎪⎪
2.2.2 q阶滑动平均— MA(q)序列
任给定q个实数θ1,θ2,…,θq(θq≠0)
,则MA(q) { Xt }序列:
Xt=et+θ1et−1+θ2et−2+⋯+θqet−q,t=0,±1,±2,…
可见,MA(q)与MA(1)是非常类似的,只不过有变得繁琐而已(注意,是‘繁’不是‘难’)。
比如处协方差函数γ