金融计量学第2课堂-金融时间序列线性模型

松鼠Quant

于 2023-07-10 09:49:53 发布

阅读量431

点赞数 1

分类专栏：金融计量学文章标签：金融计量金融经济学金融科技专业股指期货

本文链接：https://blog.csdn.net/m0_56236921/article/details/131632102

版权

本文介绍了金融时间序列分析中的相关性和平稳性概念，包括皮尔森、斯皮尔曼和肯德尔相关系数的详细解释及计算方法。此外，还探讨了时间序列的平稳性，如自协方差函数和自相关函数，以及如何通过Ljung-Box检验检测序列的随机性。最后，简要介绍了简单自回归模型（AR模型），特别是AR(1)和AR(2)模型的性质和稳定性条件。

摘要由CSDN通过智能技术生成

量化策略开发，高质量社群，交易思路分享等相关内容

一、相关性和平稳性

1、相关性

（1）皮尔森相关系数

皮尔森相关系数是最常见、最常用的一个相关系数计算方法。作为衡量两个随机变量x和y线性相关程度的重要指标，在这里不再赘述。

（2）斯皮尔曼相关系数

斯皮尔曼相关系数是基于随机变量秩的相关系数，该方法基于秩的理论，不需要假设变量之间是线性关系，也不需要对原始数据直接进行计算，而是将原始数据的秩作为变量计算斯皮尔曼相关系数。这句话看着挺拗口，并且抽象的，下面我会解释。

在给定一组数对（X1, Y1）,...,(Xn,Yn)之后，要计算他们所代表的二元变量x和y的相关性，首先将x和y的变量值进行排序，分别得各自的秩统计量(r1,s1)...(rn,sn)。

斯皮尔曼相关系数是一种非参数相关分析方法,用于测量两变量之间的monotonic相关关系。在统计学和相关分析中，monotonic是指两个变量之间的关系呈单调变化趋势。也就是说,当一个变量增加时，另一个变量也增加；或当一个变量减少时，另一个变量也减少。

monotonic关系可以是:

1、正相关—— 两个变量均增加或减少。例如:身高和体重。

2、负相关—— 一个变量增加而另一个变量减少。

我们举例来说，价格和需求量，Spearman相关系数就是用于测量两个变量之间的monotonic相关关系的统计指数。因为它通过变量的rank比较两变量的协同变化,而不受变量的线性相关性影响。相比之下,Pearson相关系数测量的是线性相关关系,它要求变量满足正态分布,且两变量间存在线性关联。所以,总结来说：Monotonic相关关系是指两个变量的变化趋势是单调的,要么同向增加要么同向减少。它可以是正相关或负相关。- Spearman相关系数用于测量monotonic相关关系。- Pearson相关系数用于测量线性相关关系,它要求变量满足正态分布。- Monotonic相关关系概念更广,线性相关关系属于monotonic相关关系的一种特例。

可以用这个客观但可能不是很严谨的图来理解一下。

它的计算原理和逻辑如下：

对数据集中的每个样本进行rank转换。也就是将每个变量的值映射到其相对大小的排名上,排名从1开始。
计算每个样本在两个变量上的rank差值的平方和。
计算rank差值的平方和之和。
计算每个变量的rank值之和。
将上述求和结果代入Spearman相关系数的公式:ρ = 1 - 6*∑d2 / (n(n2-1))这里ρ表示Spearman相关系数,d表示rank差值,n表示样本量。

举例说明：

有5个样本,变量x的观测值为[15, 20, 40, 10, 50],变量y的观测值为[20, 10, 60, 5, 30]。

对两个变量的观测值进行rank转换:x: [15, 20, 40, 10, 50] => [2, 3, 4, 1, 5]y: [20, 10, 60, 5, 30] => [3, 2, 5, 1, 4]
计算rank差值的平方和:

(2-3)2 = 1 (3-2)2 = 1

(4-5)2 = 1 (1-1)2 = 0

(5-4)2 = 1

∑d2 = 1 + 1 + 1 + 0 + 1 = 4
x的rank和 = 2 + 3 + 4 + 1 + 5 = 15

y的rank和 = 3 + 2 + 5 + 1 + 4 = 154.
ρ = 1 - 6*4 / 5*(5^2 - 5) = 1 - 0.2 = 0.8所以,在对数据分析过程中出现的错误进行修正后,x和y之间的Spearman相关系数ρ = 0.8。这表明x和y之间存在中等程度的monotonic相关关系。当x的值增大时,y的值也呈增大变化的趋势。