差分
定义
在时间序列文献中,通过考虑时间序列相邻两值的变化量所构成的序列,把一个非平稳序列转化为平稳序列,这种思想称为差分化。
一阶差分
对一个序列 { r t } \{r_t\} {rt},我们称 c t = r t − r t − 1 c_t=r_t-r_{t-1} ct=rt−rt−1为 r t r_t rt的一阶差分序列。
二阶差分
对一个序列 { r t } \{r_t\} {rt},对它的一阶差分序列再次进行差分,即 s t = c t − c t − 1 s_t=c_t-c_{t-1} st=ct−ct−1,我们称 s t s_t st为 r t r_t rt的二阶差分序列。
平稳性
平稳性是时间序列分析的基础。时间序列的平稳性分为严平稳和弱平稳。下面将进行详细介绍。
严平稳
对于一个时间序列 { r t } \{r_t\} {rt},对所有的 t t t,任意正整数 k k k和任意 k k k个正整数 ( t 1 , ⋯ , t k ) (t_1,\cdots,t_k) (t1,⋯,tk), ( r t 1 , ⋯ , r t k ) (r_{t_1},\cdots,r_{t_k}) (rt1,⋯,rtk)的联合分布与 ( r t 1 + t , ⋯ , r t k + t ) (r_{t_1+t},\cdots,r_{t_k+t}) (rt1+t,⋯,rtk+t)的联合分布是相同的,则称时间序列 { r t } \{r_t\} {rt}是严平稳的。
换句话说,严平稳性要求时间序列 { r t } \{r_t\} {rt}的任意一个子序列 ( r t 1 , ⋯ , r t k ) (r_{t_1},\cdots,r_{t_k}) (rt1,⋯,rtk)的联合分布在时间的平移变换下,保持不变。
弱平稳
如果 r t r_t rt的均值 与 r t r_t rt和 r t − l r_{t-l} rt−l的协方差 不随时间而改变,则称时间序列 { r t } \{r_t\} {rt}是弱平稳的,其中 l l l是任意整数。
换句话说,若满足以下2个条件:
(a)
E
r
t
=
μ
Er_t=\mu
Ert=μ,
μ
\mu
μ是一个常数;
(b)
C
o
v
(
r
t
,
r
t
−
l
)
=
γ
l
Cov(r_t,r_{t-l})=\gamma_l
Cov(rt,rt−l)=γl,
γ
l
\gamma_l
γl只依赖于
l
l
l;
则,
{
r
t
}
\{r_t\}
{rt}是弱平稳的。
在实际中,假定我们有 T T T个数据观测点 { r t ∣ t = 1 , 2 , ⋯ , T } \{r_t | t=1,2,\cdots,T\} {rt∣t=1,2,⋯,T},弱平稳性意味着数据的时间图显示出 T T T个值 在一个常数水平上下以相同幅度波动。
协方差
γ
l
=
C
o
v
(
r
t
,
r
t
−
l
)
\gamma_l=Cov(r_t,r_{t-l})
γl=Cov(rt,rt−l)称为
r
t
r_t
rt的间隔为
l
l
l的自协方差。它有两个重要的性质:
(a)
γ
0
=
V
a
r
(
r
t
)
\gamma_0=Var(r_t)
γ0=Var(rt);
(b)
γ
−
l
=
γ
l
\gamma_{-l}=\gamma_l
γ−l=γl
第2个性质成立的原因是:
C
o
v
(
r
t
,
r
t
−
(
−
l
)
)
=
C
o
v
(
r
t
−
(
−
l
)
,
r
t
)
=
C
o
v
(
r
t
+
l
,
r
t
)
=
C
o
v
(
r
t
1
,
r
t
1
−
l
)
\begin{aligned} Cov(r_t,r_{t-(-l)}) &= Cov(r_{t-(-l)},r_t) \\ &= Cov(r_{t+l},r_t) \\ &= Cov(r_{t_1},r_{{t_1}-l}) \end{aligned}
Cov(rt,rt−(−l))=Cov(rt−(−l),rt)=Cov(rt+l,rt)=Cov(rt1,rt1−l)
其中,
t
1
=
t
+
l
t_1=t+l
t1=t+l。
白噪声
若时间序列
{
r
t
}
\{r_t\}
{rt}是一个具有有限均值和有限方差的独立同分布随机变量序列,则称为白噪声序列。
若
{
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,则称该序列为高斯白噪声。
对于白噪声序列,所有的自相关函数为0。
线性时间序列
若时间序列
{
r
t
}
\{r_t\}
{rt}可以写成如下形式:
r
t
=
μ
+
∑
i
=
0
∞
ψ
i
a
t
−
i
r_t = \mu + \sum_{i=0}^{\infty} \psi_i a_{t-i}
rt=μ+i=0∑∞ψiat−i
则,称时间序列
{
r
t
}
\{r_t\}
{rt}为线性时间序列。其中:
- μ \mu μ是 r t r_t rt的均值;
- 系数 ψ i \psi_i ψi决定了 r t r_t rt的动态结构,在时间序列文献中,这些系数称为 r t r_t rt的 ψ − \psi- ψ−权重, ψ 0 = 1 \psi_0=1 ψ0=1;
- { a t } \{a_t\} {at}是零均值独立同分布的随机变量序列, a t a_t at表示时间序列在 t t t时刻出现了新的信息,因此,常将 a t a_t at称为时刻 t t t的新息或扰动。
若时间序列
{
r
t
}
\{r_t\}
{rt}是弱平稳的,利用
a
t
a_t
at的独立性,可以得到
r
t
r_t
rt的均值和方差:
E
(
r
t
)
=
μ
,
V
a
r
(
r
t
)
=
σ
a
2
∑
i
=
0
∞
ψ
i
2
E(r_t)=\mu,Var(r_t)=\sigma_a^2 \sum_{i=0}^\infty \psi_i^2
E(rt)=μ,Var(rt)=σa2i=0∑∞ψi2
其中,
σ
a
2
\sigma_a^2
σa2是
a
t
a_t
at的方差。
因为
V
a
r
(
r
t
)
<
+
∞
Var(r_t)<+\infty
Var(rt)<+∞,所以
ψ
i
2
\psi_i^2
ψi2必须是收敛序列,即,当
i
→
+
∞
i \rightarrow +\infty
i→+∞时,
ψ
i
2
→
0
\psi_i^2 \rightarrow 0
ψi2→0。相应的,随着
i
i
i的增大,远处的扰动
a
t
−
i
a_{t-i}
at−i对
r
t
r_t
rt的影响会逐渐消失。
自协方差
r
t
r_t
rt的间隔为
l
l
l的自协方差为:
γ
l
=
C
o
v
(
r
t
,
r
t
−
l
)
=
E
[
(
r
t
−
μ
)
(
r
t
−
l
−
μ
)
]
=
E
[
(
∑
i
=
0
∞
ψ
i
a
t
−
i
)
(
∑
j
=
0
∞
ψ
j
a
t
−
l
−
j
)
]
=
E
(
∑
i
,
j
=
0
∞
ψ
i
ψ
j
a
t
−
i
a
t
−
l
−
j
)
=
∑
j
=
0
∞
ψ
j
+
l
ψ
j
E
(
a
t
−
l
−
j
2
)
=
σ
a
2
∑
j
=
0
∞
ψ
j
ψ
j
+
l
\begin{aligned} \gamma_l &= Cov(r_t,r_{t-l}) \\ &= E[(r_t-\mu)(r_{t-l}-\mu)] \\ &=E[(\sum_{i=0}^\infty \psi_i a_{t-i})(\sum_{j=0}^\infty \psi_j a_{t-l-j})] \\ &= E(\sum_{i,j=0}^\infty \psi_i \psi_j a_{t-i} a_{t-l-j}) \\ &= \sum_{j=0}^\infty \psi_{j+l} \psi_j E(a_{t-l-j}^2) \\ &=\sigma_a^2 \sum_{j=0}^\infty \psi_j \psi_{j+l} \end{aligned}
γl=Cov(rt,rt−l)=E[(rt−μ)(rt−l−μ)]=E[(i=0∑∞ψiat−i)(j=0∑∞ψjat−l−j)]=E(i,j=0∑∞ψiψjat−iat−l−j)=j=0∑∞ψj+lψjE(at−l−j2)=σa2j=0∑∞ψjψj+l
因此,
r
t
r_t
rt的自相关系数与
ψ
−
\psi-
ψ−权重有如下关系:
ρ
l
=
γ
l
γ
0
=
∑
i
=
0
∞
ψ
i
ψ
i
+
l
1
+
∑
i
=
1
∞
ψ
i
2
,
l
≥
0
\rho_l = \frac{\gamma_l}{\gamma_0}=\frac{\sum_{i=0}^\infty \psi_i \psi_{i+l}}{1+\sum_{i=1}^\infty \psi_i^2},l \geq 0
ρl=γ0γl=1+∑i=1∞ψi2∑i=0∞ψiψi+l,l≥0
其中,
ψ
0
=
1
\psi_0=1
ψ0=1。
线性时间序列模型就是描述
r
t
r_t
rt的
ψ
−
\psi-
ψ−权重的计量经济模型和统计模型。对弱平稳序列来说,当
i
→
+
∞
i \rightarrow +\infty
i→+∞时
ψ
i
→
0
\psi_i \rightarrow 0
ψi→0,从而随着
l
l
l的增加
ρ
l
\rho_l
ρl收敛到0。
参考:
[1] Ruey S. Tsay.金融时间序列分析[D].王远林,王辉,潘家柱 译.