时间序列之一:相关术语介绍

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$c_t=r_t-r_{t-1}$为$r_t$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$s_t=c_t-c_{t-1}$，我们称$s_t$为$r_t$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$t$，任意正整数$k$和任意$k$个正整数$(t_1,\cdots ,t_k)$，$(r_{t_1},\cdots ,r_{t_k})$的联合分布与 $(r_{t_1+t},\cdots ,r_{t_k+t})$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$(r_{t_1},\cdots ,r_{t_k})$的联合分布在时间的平移变换下，保持不变。

弱平稳

如果 $r_t$的均值 与 $r_t$和$r_{t-l}$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$l$是任意整数。

换句话说，若满足以下2个条件：
(a) $E{r}_t=\mu$，$\mu$是一个常数；
(b) $Cov(r_t,r_{t-l})={\gamma }_l$，${\gamma }_l$只依赖于$l$；
则， { r t } \{r_t\} {rt​}是弱平稳的。

在实际中，假定我们有$T$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 $T$个值 在一个常数水平上下以相同幅度波动。

协方差${\gamma }_l=Cov(r_t,r_{t-l})$称为$r_t$的间隔为$l$的自协方差。它有两个重要的性质：
(a) ${\gamma }_0=Var(r_t)$；
(b) ${\gamma }_{-l}={\gamma }_l$

第2个性质成立的原因是：
$$\begin{array}{rl}Cov(r_t,r_{t-(-l)})& =Cov(r_{t-(-l)},r_t)\\ & =Cov(r_{t+l},r_t)\\ & =Cov(r_{t_1},r_{t_1-l})\end{array}$$
其中，$t_1=t+l$。

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${\sigma }^2$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：
$$r_t=\mu +\sum _{i=0}^{\infty }{\psi }_i{a}_{t-i}$$
则，称时间序列 { r t } \{r_t\} {rt​}为线性时间序列。其中：

• $\mu$是$r_t$的均值；
• 系数${\psi }_i$决定了$r_t$的动态结构，在时间序列文献中，这些系数称为$r_t$的 $\psi -$权重，${\psi }_0=1$；
• { a t } \{a_t\} {at​}是零均值独立同分布的随机变量序列，$a_t$表示时间序列在$t$时刻出现了新的信息，因此，常将$a_t$称为时刻$t$的新息或扰动。

若时间序列 { r t } \{r_t\} {rt​}是弱平稳的，利用$a_t$的独立性，可以得到$r_t$的均值和方差：
$$E(r_t)=\mu ,Var(r_t)={\sigma }_a^2\sum _{i=0}^{\infty }{\psi }_i^2$$
其中，${\sigma }_a^2$是$a_t$的方差。
因为$Var(r_t)<+\infty$，所以${\psi }_i^2$必须是收敛序列，即，当$i\to +\infty$时，${\psi }_i^2\to 0$。相应的，随着$i$的增大，远处的扰动$a_{t-i}$对$r_t$的影响会逐渐消失。

自协方差

$r_t$的间隔为$l$的自协方差为：
$$\begin{array}{rl}{\gamma }_l& =Cov(r_t,r_{t-l})\\ & =E[(r_t-\mu )(r_{t-l}-\mu )]\\ & =E[(\sum _{i=0}^{\infty }{\psi }_i{a}_{t-i})(\sum _{j=0}^{\infty }{\psi }_j{a}_{t-l-j})]\\ & =E(\sum _{i,j=0}^{\infty }{\psi }_i{\psi }_j{a}_{t-i}{a}_{t-l-j})\\ & =\sum _{j=0}^{\infty }{\psi }_{j+l}{\psi }_{j}E(a_{t-l-j}^2)\\ & ={\sigma }_a^2\sum _{j=0}^{\infty }{\psi }_j{\psi }_{j+l}\end{array}$$
因此，$r_t$的自相关系数与 $\psi -$权重有如下关系：
$${\rho }_l=\frac{{\gamma }_l}{{\gamma }_0}=\frac{{\sum }_{i=0}^{\infty }{\psi }_i{\psi }_{i+l}}{1+{\sum }_{i=1}^{\infty }{\psi }_i^2},l\ge 0$$
其中，${\psi }_0=1$。
线性时间序列模型就是描述$r_t$的 $\psi -$权重的计量经济模型和统计模型。对弱平稳序列来说，当$i\to +\infty$时${\psi }_i\to 0$，从而随着$l$的增加${\rho }_l$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.