- 博客(6)
- 收藏
- 关注
RSS订阅原创 时间序列学习（6）：单整、协整、格兰杰检验
时间序列学习（6）：单整、协整、格兰杰检验1、单整序列2、协整关系3、模型解释与协整检验4、华泰柏瑞300与兴全300究竟能否搬砖？前面的笔记里，我们都是在研究一个时间序列（不同时间段）中的关系及性质。很显然，我们可以把方法推广到两个时间序列（相同时间段）的研究中去。这就是这篇要讲的协整关系。1、单整序列我们在第5篇笔记的第3节里对指数的对数收益率序列做了一次差分。实际我们可以在差分序列上再做差分。当某一个不平稳的时间序列做了n次差分后第一次变成平稳序列了，那么我们就称这个时间序列为n阶单整。根
2021-09-05 22:40:03
20751
4
原创 时间序列学习（5）：ARMA模型定阶（AIC、BIC准则、Ljung-Box检验）
时间序列学习（5）：ARMA模型定阶（AIC、BIC准则、Ljung-Box检验）1、信息量准则2、寻找对数收益率序列的最佳阶数3、构建模型4、模型评估第3篇笔记给出了一个较为复杂的模型ARMA，它是AR和MA模型的组合。如果要用ARMA模型对时间序列进行建模，那么首先得确定模型的AR和MA两部分的阶数(p,q)(p,q)(p,q)；确定好阶数后，我们就可以通过回归或者简单的最小二乘法来进一步确定模型的参数。所以，首先我们得确定模型的阶数。确定阶数其实可以直接从前面介绍的相关图中通过“截尾”及“拖尾
2021-09-05 22:25:14
63949
6
原创 时间序列学习（4）：平稳性检验（单位根检验、ADF检验）
时间序列学习（4）：平稳性检验（单位根检验、ADF检验）1、单位根检验2、ADF检验3、指数走势的检验4、对数收益率序列检验相关图可以大致判断序列是否平稳。但是，这毕竟不是严格的。这篇笔记来就谈一谈平稳性的检验。到目前为止，我们有了以下的时间序列模型：白噪声；随机游走；AR模型；MA模型；ARMA模型。我们知道白噪声、MA模型一定是平稳的（这里的平稳都是弱平稳）；随机游走一定是不平稳的；ARMA模型取决于其AR部分。所以唯一需要做平稳性检验的就是AR模型。1、单位根检验先来看一阶
2021-09-05 22:16:03
68016
3
原创 时间序列学习（3）：AR、MA及ARMA模型
时间序列学习（3）：AR、MA及ARMA模型1、AR模型2、MA模型3、ARMA模型上篇笔记第2节说指数的对数收益率序列近似为一个白噪声。如果投资标的的每日收益率就是白噪声，那完全可以建立多空头寸来捕捉收益率的大幅偏离。然而实际上，这种策略效果也不好。如果采用不同的时间窗口，或者其它指数或个股，就会发现收益率序列在不同的时间间隔都有超过置信区间的自相关性。这说明每日收益率不是完全无关的。所以不能单纯地采用白噪声模型。回顾上篇笔记的相关图，我们发现时间间隔较小的时候相关系数偏大；时间间隔越大，相关系数
2021-09-05 22:06:11
6591
1
原创 时间序列学习（2）：白噪声、随机游走
时间序列（2）：白噪声、随机游走1、白噪声2、对数收益率序列3、随机游走4、随机游走示例1、白噪声白噪声是非常简单的一种建模时间序列的模型。对于时间序列{wt}\{w_t\}{wt}，若满足下面三个条件，该序列为一个离散的白噪声（white noise）：每个时间点均值为0；每个时间点方差为σ2\sigma^2σ2；对于任意k≥1k\ge1k≥1，自相关系数ρk=0\rho_k=0ρk=0。前两个条件并没有规定wtw_twt一定是正态分布。如果是正态分布，那么这个时间序列又叫高斯白噪
2021-09-05 21:57:09
16328
3
原创 时间序列学习（1）：平稳性、自相关性
时间序列学习（1）：平稳性、自相关性1、基本统计概念2、啥是时间序列3、平稳性4、自相关性5、相关图做量化始终逃不掉对时间序列的分析。这个系列笔记是作为小白的我对时间序列分析基础知识的整理。不到之处，多多包涵。1、基本统计概念在一切开始之间得先回顾一下统计中的一些基本概念，这将有助于后续介绍时间序列。协方差X,YX,YX,Y是两个随机变量（分布未知），X,YX,YX,Y的总体协方差为：Cov(X,Y)=E[(X−μX)(Y−μY)]Cov(X,Y)=E[(X-\mu_X)(Y-\mu_Y)]Co
2021-09-05 20:11:33
18094
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人