金融数据分析导论基于R语言 第二章 金融时间序列的线性模型课后习题答案

1.考虑从1948年1月到2011年11月美国失业率的月数据(见文件m-unrate-4811.txt)，数据来目美国圣路易斯的联邦储备银行.

(a)该除非特别声明，在以下习题中都用5%的显著性水平来得出结论.失业率的月数据是否存在单位根?为什么?

(b)根据该数据建立一个时间序列模型并检验模型是否已充分拟合数据.然后，根据所建立的模型对美国2011年12月和2012年前3个月的失业率进行预测.(注意:适合该数据的模型不止一个，只要模型充分即可.)

(c)拟合的模型是否存在商业周期?为什么?

除非特别声明，在以下习题中都用5%的显著性水平来得出结论.

da=read.table("m-unrate-4811.txt",header=T)
head(da)
#z做时序图和美国月度失业率的ACF
rate=da$rate
rate=ts(rate,frequency=12,start=c(1948,1))
par(mfcol=c(2,1))
plot(rate,xlab='year',ylab='tate')
title(main='美国失业率')
acf(rate,lag=24) # command to obtain sample ACF of the data

观察失业率的月度时间序列图发现：

1.失业率有周期性变化，但周期不固定；

2.失业率水平在数据的时间范围内可能有增长趋势；

3.失业率上升快，下降慢。这预示着失业率序列不服从线性时间序列。 这里先不使用非线性时间序列。

(a)美国月度失业率的ACF图，这像是单位根非平稳。

# 计算其差分序列，作ACF图
drate=diff(rate)
acf(drate,lag=24)

这不太像是低阶的MA， 在周期12的倍数有较高相关， 怀疑是季节调整的残余周期性。

#做差分序列的PACF图
pacf(drate,lag=24)

这也不像是低阶的AR，而且在周期12的整倍数的偏自相关也超出。 

#对差分序列用AIC定阶建立AR模型：
ar(drate, method="mle")

Call:
ar(x = drate, method = "mle")

Coefficients:
      1        2        3        4        5        6        7        8  
 0.0211   0.2151   0.1544   0.0939   0.1223  -0.0069  -0.0230   0.0157  
      9       10       11       12  
 0.0028  -0.1030   0.0292  -0.1268  

Order selected 12  sigma^2 estimated as  0.03824

#作单位根检验：
install.packages("fUnitRoots")
library(fUnitRoots)
fUnitRoots::adfTest(drate, lags=12, type="ct")

Title:
 Augmented Dickey-Fuller Test

Test Results:
  PARAMETER:
    Lag Order: 12
  STATISTIC:
    Dickey-Fuller: -8.2453
  P VALUE:
    0.01 

(a)检验结果不显著，说明有单位根。

总结以上所见：

失业率序列很可能是单位根过程；
尽管已经进行了季节调整， 差分序列的ACF和PACF在滞后为12倍数的地方还是较高， 说明序列仍残余12个月周期的影响， 可能还需要在模型中考虑增加季节项；
差分序列的ACF和PACF在滞后为12倍数处数值约0.15， 但是衰减很慢， 这有些像是长记忆过程， 当ARMA方程两边有相近特征根时可表现出类似长记忆性质；
除了季节性外，差分序列的ACF和PACF在5阶或6阶显著， PACF指数震荡衰减；
可尝试p=1和q=5。 取q=5是考虑到PACF的震荡衰减以及ACF在前5阶较高。 取p=1是因为ACF也是指数衰减而不是快速截尾。
因此尝试如下的带有季节性的 ARIMA(1,1,5)(1,0,1)12模型：

resm <- arima(
  drate, order=c(1,1,5),
  seasonal=list(order=c(1,0,1), period=12)
)
resm

Call:
arima(x = drate, order = c(1, 1, 5), seasonal = list(order = c(1, 0, 1), period = 12))

Coefficients:
         ar1      ma1     ma2      ma3     ma4      ma5    sar1     sma1
      0.7979  -1.8108  1.0274  -0.2240  0.0713  -0.0638  0.5442  -0.8062
s.e.  0.0504   0.0600  0.0905   0.0913  0.0837   0.0427  0.0718   0.0534

sigma^2 estimated as 0.03651:  log likelihood = 175.66,  aic = -333.32

#删去不显著的MA3和MA4系数：
mod1 <- arima(
  drate, order=c(1,1,5),
  seasonal=list(order=c(1,0,1), period=12),
  fixed=c(NA, NA, NA, 0, 0, NA, NA, NA)
)
mod1

Call:
arima(x = drate, order = c(1, 1, 5), seasonal = list(order = c(1, 0, 1), period = 12), 
    fixed = c(NA, NA, NA, 0, 0, NA, NA, NA))

Coefficients:
         ar1     ma1     ma2  ma3  ma4      ma5    sar1     sma1
      0.7684  -1.730  0.8107    0    0  -0.0806  0.5348  -0.8029
s.e.  0.0543   0.055  0.0532    0    0   0.0132  0.0728   0.0550

sigma^2 estimated as 0.03697:  log likelihood = 170.9,  aic = -327.8

#作模型残差检验：
tsdiag(mod1, gof=36)

 (b)结果表明模型充分&