为什么序列存在单位根是非平稳时间序列？

最新推荐文章于 2024-03-15 11:54:37 发布
最新推荐文章于 2024-03-15 11:54:37 发布
阅读量2.3w 收藏 30
点赞数 4

作者：五雷
链接：https://www.zhihu.com/question/22385598/answer/21221607
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

  1. 首先要理解什么是平稳的时间序列，一般时间序列书中给出的平稳的定义以弱平稳为主也就是一个随机变量{y_{t} }的无条件期望不变、方差恒定且协方差不随时间改变，也就是E[y_{t}]=a,Var[y_{t}]=\sigma^{2},Cov(y_{t},y_{t-i})=\sigma_{i}，注意关键在于方差是有限的，并且协方差是不随时间改变的。为什么这么设定？主要是给定这些假设前提后，就可以便于技术上的处理，例如平稳变量的谱分析；
  2. 然后，需要知道一般什么样的时间序列是平稳的，例如最常用的ARMA过程y_{t}=A(L)y_{t-1}+B(L)\epsilon_{t}，关键在于理解这个方程实际上是一个随机差分方程，差分项就是变量自身，随机项就是\epsilon_{t}，将上面这个方程稍微变换，可以看到可以写成y_{t}=B(L)\epsilon_{t}/(1-A(L))，这也就是随机微分方程的一个解，方程1-A(L)=0称为逆特征方程，解也就是逆特征解，跟差分方程的齐次解成倒数关系。现在可以知道，差分方程要平稳，那么其解应该在单位圆内，或者对应的逆特征方程的特征根在单位圆外。如果有根在单位圆上，那么对应着就是有单位根了；
  3. 最后，看什么样的序列存在单位根，最简单的情况y_{t}=y_{t-1}+\epsilon_{t}，可以看到对应的特征根是1，这样得出的解为y_{t}=\sum_{i=0}^{\infty }{\epsilon_{t-i}} ，可以看到这种情况下，离当前时间t很久远的时刻的一个随机冲击对现在的影响仍然没有衰减，这样就是单位根过程了。如果时间序列存在这种情况，对时间序列的未来值的预测就难以进行。再从平稳的定义看，此时随机变量的方差就会逐渐增大到\infty ，而不会是有限的方差，这样长期的时间序列就没有预测意义了。
上面陈述的就是最基本的单位根与非平稳时间序列的关系，那么怎么检验单位根过程？最基本的或者最通用的检验是ADF检验，要理解ADF检验需要弄清假设检验的一般原理，知道检验统计量的size distortion和power的含义，然后就能清楚为什么普通的t检验不能检验是否存在单位根而需要通过monte carlo实验来获取临界值了。系统的学习请参考hamilton~

枫无悔
关注
  • 4
    点赞
  • 踩
  • 30
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
混沌时间序列的小波神经网络预测方法及其优化研究(高清)
03-08
内容推荐 预测是作决策、规划之前的必不可少的重要环节 ，是科学决 策、规划的重要前提。混沌时间序列预测是预测领域 内的一个重 要研究方向。基于小波和人工神经网络的混沌时间序 列预测研究 是近几年来的研究热点，受到了特别的重视。小波神 经网络是结 合小波变换理论与人工神经网络的思想而构造的一种 新的神经网 络模型，它结合了小波变换良好的时频局域化性质及 神经网络的 自学习功能，因而具有较强的逼近能力和容错能力。 自从小波神 经网络被提出以后，它在非线性函数或信号逼近、信 号表示和分 类、系统辨识和动态建模、非平稳时间序列预测与分 析等许多领域 中被较为广泛地应用。尽管如此，将小波和人工神经 网络理论应 用到预测还有许多不尽如人意和有待进一步研究的地 方，还有很 大的研究余地。姜爱萍编著的《混沌时间序列的小波 神经网络预测方法及其优化研究》对此进行了深入分 析和研究，主要研究了小 波神经网络的构造、学习和优化以及小波神经网络在 混沌时间序 列预测中的应用，构建了适应于混沌时间序列短期预 测的模型，并 将其应用于中国股票价格预测。《混沌时间序列的小 波神经网络预测方法及其优化研究》主要研究成果与 创新点分述 如下： （1）用混沌理论及其分析方法对非线性时间序 列进行了研 究，为混沌时间序列的短期预测性提供了理论基础。 并以上证综 合指数为例，通过对其进行相空间重构，反映了股指 序列具有吸引 子结构。同时，对股指序列进行了确定性检验，求取 最大李雅普诺 夫指数。根据最大李雅普诺夫指数，确定了上证综合 指数序列具 有混沌特性，这为探求股指变化规律和正确建立其短 期预测模型 奠定了基础。 （2）从小波神经网络构造理论出发，详细介绍 了小波神经网 络的数学基础和性质，对目前广泛应用的四种小波神 经网络的结 构进行了深入分析，根据网络算法、逼近细节能力、 包含频域信息 广等方面因素，提出多分辨小波神经网络更适合混沌 时间序列预 测，因为多分辨小波神经网络既能逼近混沌时间序列 的整体变化 趋势，又能捕捉细节的变化。 （3）利用相空间重构技术，把消噪后得到的状 态矢量作为多 分辨小波神经网络的多维输入，构建了多维多分辨小 波神经网络 预测模型，将其应用于混沌时间序列预测，并给出了 实现方法。针 对多分辨小波神经网络提出了BP和多分辨率学习组合 算法，解 决了传统学习算法网络隐层节点数难以确定的问题， 克服了BP 网络单尺度学习算法很难学习复杂的时间序列的不足 。以上证综 合指数为例，分别采用具有相同结构的MRA—WNN和 RBF_ VJNN预测模型对股价时序进行预测，仿真结果表明， 多分辨小波 神经网络具有较高的预测精度。 （4）给出了小波神经网络的优化的两类非单调 的方法。一类 是非单调的滤子方法，并且证明了该算法是全局收敛 到一阶临界 点。这个算法不同于传统的滤子信赖域方法，因为它 使用了试探 步的切向和法向的分解；也不同于Gould提出的非单 调方法，因为 本书提出的非单调性更为松弛。这使得在不引入二阶 校正步的情 况下改进了滤子方法。同时也不再定义支配区域的边 界，而直接 使用面积，这样也相应简化了算法。另一类是非单调 的无罚函数 方法，该方法利用非单调线搜索和对于约束违反度函 数的可行性 恢复阶段来达到目标函数和约束违反度函数之间的平 衡，而非单 调的方法在M一1时是等价于单调方法的，非单调方法 从M步看 来仍然是单调的。当然，在这种方法中，也可以采用 试探步分解的 技术，然后利用滤子来做接受性的检验。进一步地， 我们还可以将 非单调的滤子方法推广到一般的约束最小化问题之中 ，数值结果 表明这种方法也是可执行的且是有效的，并用此两种 方法作为训 练小波神经网络的优化新算法。 （5）提出将无罚函数方法与非线性互补问题相 结合用于小波 神经网络的优化，将互补问题转化为约束优化问题， 应用约束优化 问题的策略和技巧对其求解，融入无罚函数的概念， 并得到了算法 的收敛性。同时，其数值结果也表明这类算法和同类 的其他方法 比起来更为灵活，且具有更好的数值效果。 （6）提出基于修正的SQP滤子方法的小波神经网 络的优化， 修正了序列二次规划子问题，使得二次规划子问题在 每个迭代处 总是可解的，同时不用线搜索，提出了修正的滤子方 法。另外，引 入积极集策略，减小运算量。当第一次得到的搜索方 向不被滤子 接受时，不是直接舍弃它，而是转而以这个方向为基 础，构造另一 个可行下降的搜索方向。并在此基础上加入了线搜索 ，得到了带 线搜索的滤子方法，其数值结果也说明基于修正的 SQP滤子方法 的小波神经网络的优化是有效的。 （7）提出基于新的无罚函数方法的小波神经网 络的优化，应 用NCP函数把约束优化问题转化为非线性非光滑方程 的求解问 题。运用分裂的思想将其分裂为光滑函数和非光滑函 数之和， 同时将NCP函数的信息融入了滤子对中，改造了原有 的滤子对 的形式，最终得到了算法的全局收敛性和局部超线性 收敛性。 另外，为了求解大规模问题，结合积极集策略，提出 了积极集滤 子方法，得到了非单调的滤子方法简化小波神经网络 优化运算 的目的。 （8）用全局优化方法——填充函数法研究了小 波神经网络 的优化方法，构造了一种新的易于计算的单参数的填 充函数，不 仅证明了新构造的函数具有填充函数的性质，还把填 充函数和 BP算法相结合，提出一种训练小波神经网络的混合型 全局优化 新算法。 （9）在退火遗传算法的基础上提出一个新的自 适应退火策 略，将自适应退火策略用于选择概率的计算以增强算 法的收敛性， 在交叉和变异概率的选取上也进行了自适应处理，以 进一步改善 算法的稳定性和收敛性，并将此自适应退火遗传算法 应用于小波 神经网络权值的优化。
时间序列之单位根检验（1）
热门推荐
Zstarling的博客
11-17 3万+
一、 基本概念： 1. 单位根检验（unit root test） 是平稳性检验的特殊方法。单位根检验是建立ARMA模型、ARIMA模型、变量间的协整分析、因果关系检验等的基础。 单位根检验统计检验方法有ADF检验、PP检验、NP检验。最常用的是ADF检验。 无法区分哪个是自变量，哪个是因变量，需要对所有的变量做检验。 1). ADF检验 ADF检验全称 是 Augmented Dickey-Fuller test，ADF是 Dickey-Fuller检验的增广形式。DF检验只能应用于一阶情况，当序
基于支持向量机方法的金融时间序列研究 (2008年)
06-12
支持向量机是基于统计学的一种新型的机器学习和数据挖掘的技术，实现了结构风险最小化原则。山于金融时问序列是非平稳的、复杂的，非线性的，含有噪声数据，传统的方法很难得到满意的预测效果。提出了基于支持向量机的金融时间序列预测的方法，应用到我国上证180指数预测中，实验结果表明支持向量机方法对动态的金融时间序列具有较好的建模能力，达到了较好的预测效果。
预测招商银行股票涨跌幅度（时间序列完整步骤）
11-25
本代码主要思路是利用ARIMA算法做时间序列预测 # 预测目标是2019年5月15日A股闭市时招商银行600036的股价 # 考虑到影响股价的因素的复杂性，以及金融投资的反身性理论，本次预测只使用了close的时间序列。更多的数据并没有什么用。 #使用ADF单位根检验法检验时间序列的稳定性 #先做一个编译器, 让 adfuller 的输出结果更易读 # adfuller：全称 Augmented Dickey–Fuller test， 即扩展迪基-福勒检验，用来测试平稳性 # adfuller检验是检查时间序列平稳性的统计测试之一。 这里的零假设是序列 train 是非平稳的。 # 测试结果包括测试统计和差异置信水平的一些关键值。 如果'测试统计'小于'临界值'，我们可以拒绝原假设并说该序列是平稳的。 # 验证差分数据的平稳性，和第一次验证方法相同 # In[]: 确定ARIMA的阶数p,q # ARMA(p,q)是AR(p)和MA(q)模型的组合，关于p和q的选择，一种方法是观察自相关图ACF和偏相关图PACF, # 另一种方法是通过借助AIC、BIC等统计量自动确定。
颜色分类leetcode-AE_ts:时间序列的自动编码器
07-06
颜色分类leetcode 时间序列的自动编码器 编辑 2018 年 12 月 3 日，我通过电子邮件收到了很多问题。 在本自述文件的末尾，我将最常见的问题汇总为 FAQ 这个 repo 提供了一个简单的时间序列自动编码器。 它使用 PCA 和 tSNE 来可视化嵌入。 我在 5000 个心电图的数据集上展示了这一点。 该模型在训练期间不使用标签。 然而，产生的集群在视觉上区分了 ECG 的类别。 人们反复问我如何使用机器学习在时间序列中找到模式。 通常的小波变换和其他特征无法产生结果。 他们想知道 ML 必须提供什么。 对于分类数据，通常的选择是 PCA、tSNE 等技术。 对于图像，通常的选择是卷积自动编码器 对于时间序列，通常的选择是什么？ 这个 repo 实现了一个循环自动编码器 为什么在自动编码器中使用循环神经网络？ 时间序列的长度可能因样本而异。 传统技术仅适用于固定大小的输入。 时间序列中的模式可以具有任意时间跨度并且是非平稳的。 循环神经网络可以在任意时间缩放中学习模式。 然而，卷积网络只假设固定模式 网络 从这里开始，RNN 指的是我们的循环神经网络架构，长短期记忆我们
时间序列研(part7)--单位根检验
小山羊的学习日志
07-02 3988
学习笔记，仅供参考，有错必纠 时间序列 单位根检验 单位根检验做得不好常常会把退势平稳过程误判为随机趋势非平稳过程（隐性趋势）和确定性趋势非平稳（显性趋势）过程。检验时间序列中是否含有单位根时常会碰到如下几种问题： 当被检验过程的形式未知时，应该考虑到其中是否含有随机的或确定性的时间趋势成分。 被检验过程的形式通常要比AR(1) 形式复杂，可能是高阶自回归过程或含有移动平均成分。 当被检验随机过程接近含有单位根但实为平稳过程（特征根小于1，但接近1）时，在有限样本、特别是小样本条件下的单位
关于R语言计量检验之三平稳性（单位根）
Mrrunsen的博客
02-09 4166
单位根检验是指检验序列中是否存在单位根，因为存在单位根就是非平稳时间序列了。单位根就是指单位根过程，可以证明，序列中存在单位根过程就不平稳，会使回归分析中存在伪回归。 ----- 2 单位根检验方法----- ADF、DF、LLC等 3.1 ADF检验。 3.1.1 install.packages("tseries") 3.1.2 library(tseries) 3.1.3 adf.test(x) 3.2 DF检验 3.2.1...
时间序列之单位根检验+显著性检验+固定/随机效应模型选择
universe_1207的博客
09-23 7005
时间序列的平稳性:如果序列随时间具有恒定的统计特性(稳定的均值、方差和不依赖于时间的自协方差)，我们可以假设序列是平稳的。等严重后果，所以必须对每个变量进行单位根检验，这样能够保证每个变量的平稳性，平稳变量回归才是有效的。伪回归:两因素间本不存在因果关系，却被误认为存在。在面板数据和序列数据中，如果存在单位根，会产生。异方差检验：使用混合OLS回归还是变系数模型。若要证明序列平稳，即拒绝原假设，需要。ADF检验的python实现。豪斯曼检验（hausman）选择随机/固定效应模型。常用数据类型（金融）
R语言：平稳性的检验1
weixin_44048755的博客
04-13 2万+
对序列的平稳性的检验有两种方法：一种是图检验方法，即根据时序图和自相关图所显示的特征做出判断；一种是统计检验方法，即构造检验统计量进行假设检验。 图检验方法是一种操作简便、运用广泛的平稳性判别方法。它的缺点是判别结论带有很强的主观色彩，所以最好能用统计检验方法加以辅助判断。 目前最常用的平稳性统计检验方法是单位根检验（unit root test）。 图检验 时序图检验 根据平稳时间序列均值、方差...
【统计】什么事单位根检验
最新发布
x66ccff
03-15 671
术语“单位根”来自数学语言，特别是来自与时间序列模型相关的特征方程的研究。在时间序列分析中，“根”一词是指该特征方程的解，它对于确定模型的性质至关重要。
生理时间序列的一种符号化分析方法 (2007年)
05-11
因生理时间序列通常是非平稳的，为去除时间序列中的局部趋势、提取时间序列的波形特征，相空间中的向量被归一化，从而具有相同的均值和标准差。然后，引入最大拓扑熵（MTE）原则来寻找相空间的适当划分以实现向量的...
论文研究 - 关于第二和第三矩用于线性高斯和简单双线性白噪声过程的比较
05-27
线性高斯白噪声过程（LGWNP）是一个独立且均匀分布（iid）的序列，均值为零，且具有有限的方差分布。 一些过程，例如简单的双线性白噪声过程（SBWNP），具有与LGWNP相同的协方差结构。 如何区分和/或比较这两个过程...
论文研究-修正的KSS检验及其对中国通货膨胀率的应用.pdf
09-20
论文研究-修正的KSS检验及其对中国通货膨胀率的应用.pdf, Kapetanios等[1] 提出在指数平滑转换... 将该检验用于中国的通货膨胀率，发现它存在着一个单位根，是非平稳过程.
概率与计算课程作业 随机化快速排序和确定型快速排序的比较
01-29
这次运行的用到一个数组大小为1000的整型数组，第一个图是该数组是非序列的运行时间对比图，第二个图是该数组序列化后的运行时间对比图。 图分析：两个图中的确定型快排每次运行时间的长度有波动，这是因为运行程序...
一文讲透时间序列的平稳性
AI蜗牛车
09-22 1517
本文转载自知乎作者StormBlafe，编辑：时序人原文链接：http://zhuanlan.zhihu.com/p/6522298291►为什么要关注时间序列的平稳性？原因一：时间序列数据的数据结构与传统的统计数据结构不同。最大的区别在于，传统随机变量可以得到多个观测值（比如骰子点数，可以反复掷得到多个观测值，忽略时间的差异）。而时间序列数据中，每个随机变量只有一个观测值（比如设收盘价为研究的...
时序数据学习笔记（三）
HughYue1990的博客
09-15 1932
不平稳时序数据生成、处理、预测及差异化处理后的对比
关于时间序列分析中的平稳性的理解笔记
Superyyff的博客
10-18 3133
为什么要平稳？无非就是希望能根据平稳的数据更好更准确的预测未来。非平稳性的时间序列数据太过于杂乱无章，有的甚至完全无规律可循，但是平稳时间序列本身存在某种分布规律，前后具有一定自相关性且能够延续下去，进而可以利用这些信息帮助预测未来。时间序列的平稳性是指一组时间序列数据看起来平坦，各阶统计特征（如均值、方差、协方差…）不随时间的变化而变化。其数学定义又分为严平稳和宽平稳。以上就是今天总结的内容，本文仅仅简单对时间序列中的平稳性做了笔记。
时间序列的平稳性
deephub
04-16 5320
平稳性描述了时间序列如何未来保持不变的概念。用数学术语来说，当时间序列的统计特性与时间无关时，它是平稳的，包括均值不变（为常数）方差不变协方差与时间无关这就是平稳性的弱形式的定义。另一种平稳性是严格平稳性。这意味着相同大小的样本具有相同的分布。由于严格平稳性具有局限性和罕见性，所以本文仅关注弱形式平稳性。在时间序列预测中，具有恒定统计属性(均值、方差和协方差)且与时间无关的时间序列被描述为平稳的。由于稳定的统计特征，平稳时间序列比非平稳时间序列更容易建模。所以很多时间序列预测模型都假设了平稳性。
stata做时间序列单位根检验
03-28
Stata中可以使用adf命令进行单位根检验。具体步骤如下： 1. 打开Stata软件，导入数据文件。 2. 输入命令adftest，后跟待检验的变量名称。例如，假设要对变量y进行单位根检验，命令为： adftest y 3. 运行命令后，Stata会输出检验结果，包括ADF统计量的值、p值、临界值等。根据p值的大小可以判断变量是否具有单位根。 4. 如果p值小于0.05，则拒绝原假设，即变量不存在单位根，可以认为该变量是平稳的；如果p值大于0.05，则接受原假设，即变量存在单位根，可以认为该变量是非平稳的。 以上就是Stata做时间序列单位根检验的基本步骤。需要注意的是，单位根检验只是时间序列分析的一部分，还需要进行其他方面的分析和判断。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值