随机过程 Stochastic Process
{Yt}
,称
{Y1=y1,Y2=y2,⋯,YT=yT}
为长度为
T
的随机过程的一个实现。
严平稳:
对于任意给定的有限的整数
严平稳的性质:
1.对于所有的时间
2.以严平稳过程为自变量的函数值也是严平稳的,即
Yt
严平稳,则
g(Yt)
严平稳。
宽平稳:
各个时刻
t
,随机过程的均值和方差相等,即:
协方差仅决定于时间差,而与起始时间无关:
cov(Yt,Yt−j)=γj
相关系数:
ρj=corr(Yt,Yt−j)=cov(Yt,Yt−j)Var(Yt)Var(Yt−j)√=γjσ2
即随机过程
Yt
在两个间隔为
j
的时间取值时,其线性相关系数仅决定于该随机过程的方差和这两个随机变量(因为时刻给定,随机过程退化为随机变量)协方差。
高斯白噪声 Gaussian White Noise
独立白噪声过程 Independent White Noise Process
Yt∼iid (0,σ2)
or
Yt∼IWN(0,σ2)
E(Yt)=0
且
Var(Yt)=σ2
弱白噪声过程 Weak White Noise Process
Yt∼WN(0,σ2)
和IWNP一样,但此时
cov(Yt,Ys)=0for t≠s
,而IWNP的
Yt
和
Ys
独立
非平稳过程
确定性趋势过程 Nonstationary Processes
Yt=β0+β1t+εt
,其中
εt∼WN(0,σ2ε)
E(Yt)=β0+β1t
与
t
有关
随机游走 random walk
Y0
即起始点给定,
Yt=Y0+∑j=1tεj
得到
Var(Yt)=σ2ε⋅t
,依赖于
t
的取值。
滑动平均过程 Moving Average (MA) Processes
均值:
E(Yt)=μ
方差:
Var(Yt)=σ2ε(1+θ2)
协方差:
cov(Yt,Yt−1)=θσ2ε
当时间差大于1时,协方差为0,即对于滑动平均过程而言,仅有时刻相差为1个单位的两个观测是有一定的线性相关关系的,而时刻差大于1单位时,两个观测是线性无关的。
相关系数:
ρ1=γ1σ2=θ1+θ2
故相关系数的取值和
θ
值有关,且两个相邻时刻的观测是正线性相关还是负线性相关由
θ
的符号给定。
相关系数的取值范围为
(−12,12)
自回归模型 Autoregressive (AR) Process
均值调整形式 mean-adjusted form
Yt−μ=ϕ(Yt−1−μ)+εt, −1<ϕ<1
其中
εt∼iid N(0,σ2ε)
当
−1<ϕ<1
时,AR(1)是自相关函数各态历经的。
均值:
E[Y_t]=μ
方差:
Var[Y_t]=σ2ε1−ϕ2
协方差:
cov(Yt,Yt−j)=σ2ε1−ϕ2⋅ϕj
相关系数:
corr(Yt,Yt−j)=ϕj
由于
|ϕ|<1
,故随着时间差
j
的增加,两个观测的线性相关系数的绝对值是递减的,即两个观测相距的时间越远,其线性相关程度越低。
AR模型中,在时间上更接近的随机变量比在时间上更遥远的随机变量更加(线性)相关,即:
回归模型形式 regression model form
Yt=c+Yt−1+εt
遍历性 = 各态历经性
各态历经的直观解释是:平稳随机过程的每一个样本轨迹几乎必须经历它所具有的各种状态。
各态历经分为均值各态历经和相关函数各态历经。
对于一个随机过程
f(X,t)
,每一次观测都是基于某个特定的时间
t0
时,事件
X
的取值。即对于一个随机过程的取值,首先确定时间
随机过程的时间平均:对于随机过程
f(X,t)
,在每一个时刻
t0
时,都可以看成是一个随机变量,时间平均即是在该时刻下的随机变量的期望值(即在概率上求平均)。