时间序列学习笔记（1）

时间序列分析记载1

笔记依据教材时间系列分析及应用，其中也加入自己的一些理解与查找，以此来做到督促学习的目的

目录

模型路径

时域分析：
基础：AR+MA=ARMA
核心：ARIMA(Box-jenkins）
完善：
(异方差）ARCH,GARCH
（多变量）cointeraion
（非线性）门限自回归
时域-频域分析：小波分析

1.基本的小命令

主要是一些基本操作和我不太熟悉的基础代码

#创建一个新的窗口，便于图像等的展示
>win.graph(width=4,height=2,pointsize=8)
#幂的预算
>2**3
>scan(" .dat")#这里用scan函数读取这样格式的文件
read.delim()和read.delim2()也可用于读数据，效率提升。（这其实是read.table的特殊情况）
#r中的基本对象
#向量
>seq(1,6,by=2)
1 2 3 4 5 6
>rep(1,4)
1 1 1 1
#矩阵
> x=matrix(c(1:20),ncol=4,nrow=5)
> x[x>10]
 [1] 11 12 13 14 15 16 17 18 19 20
> x[(x>16)|(x<2)]
[1]  1 17 18 19 20
> x[(x>16)&(x>2)]
[1] 17 18 19 20
#基本函数
*标量abs()绝对值函数prod(2:4)连乘
*向量
> a=c(1:6)
> cumsum(a)#逐点连加
[1]  1  3  6 10 15 21
> cumprod(a)#逐点连乘
[1]   1   2   6  24 120 720
*数组array()
*列表list()
*数据框data.frame()
*时间序列ts()

在雅虎财经上下载数据的方法雅虎财经数据下载

2.基本定义

2.1 随机游动

$e_i\sim (0,{\sigma }_e^2)i.i.d$构造观测的时间序列$Y_t=\sum e_i，Y_{t+1}=Y_t+e_{t+1} $（将e看为步长我就可以理解了）
${\mu }_t=0,var(Y_t)=t{\sigma }_e^2,{\rho }_{t,s}=\sqrt{\frac{t}{s}}$
可看出随时间的推移，方差增加，相关系数体现相邻点的正相关系数很高，但相邻很远的点相关性变差

x=c(0)
for(i in 1:1000){
  x[i+1]<-x+rnorm(1)
}
plot(x)

注：这里注意，将x的格式定义为向量的处理，将每个点存入

2.2 滑动平均

$e_t$的假设相同，但$Y_t=\frac{e_t+e_{t-1}}{2}$(这里$Y_t$的设法体现滑动平均的概念）
μ t = 0 , v a r ( Y t ) = 0.5 σ e 2 , ρ t , s = { 1 ∣ t − s ∣ = 0 0.5 ∣ t − s ∣ = 1 0 o t h e r s \mu_t=0, var(Y_t)=0.5\sigma _e^2,\rho_{t,s}= \{ \begin{array}{rcl} 1& |t-s|=0\\ 0.5& |t-s|=1\\ 0 & others \\ \end{array} μt​=0,var(Yt​)=0.5σe2​,ρt,s​={10.50​∣t−s∣=0∣t−s∣=1others​
可以发现，对于所有的t，${\rho }_{t,t-k}$相同。平稳

2.3 平稳性

是随机过程中常见的假设。
含义：就是时序点的统计规律（例如分布）不随时间的变化而改变。
分类：
（1）严平稳$\forall k,t_i$都有$Y_{t_1},Y_{t_2},...Y_{t_n}$与$Y_{t_1-k},Y_{t_2-k},...Y_{t_n-k}$联合分布相同
（2）弱平稳：认为序列的统计性质主要由低阶矩决定，随机过程 { Y t } ， E （ Y 2 ） < ∞ \{Y_t\}，E（Y^2）<\infty {Yt​}，E（Y2）<∞均值函数为常值和${\gamma }_{t,t-k}={\gamma }_{0,k}对\forall t,k$(k表示滞后）这里$\gamma$表示自协方差函数。

严平稳性质：
1. 均值方差恒定
2. ${\gamma }_{t,s}={\gamma }_{0,|t-s|}$(只与时间间隔有关）所以写为${\gamma }_k=cov(Y_t,Y_{t-k})$
3. ${\rho }_0=1,{\rho }_k={\rho }_{-k},|{\rho }_k|\le 1$
两种平稳的比较：
通常情况下严平稳->弱平稳，反之不可
特例：不存在低阶矩的严平稳不是弱平稳，比如柯西分布。多元正太分布，二者等价。

2.4白噪声

独立同分布的随机变量序列 { e t } \{e_t\} {et​},满足严平稳的定义

平稳性在一节中单处理

3.统计上的一些代码

3.1相关系数
衡量随机变量相关性的方法主要有三种：pearson相关系数，spearman相关系数，kendall相关系数
kendall相关系数
比如两个变量x，y，将样本数进行排序，两个样本点之间的顺序值变化符号相同，满足协同性，当满足协同性的对数越多，表示相关性越好
$\tau =\frac{N_c-N_d}{n(n-1)/2}$其中$N_c$表示协同对的对数，$N_d$不协同对的对数。（此定义理解参考《管理科学研究方法》）
在统计中我们也可表示为$p_{\tau }=P[(X-\hat{X})(Y-\hat{Y})>0]-P[(X-\hat{X})(Y-\hat{Y})<0]$
spearman相关系数
同上对于两个变量进行排序处理，当两个样本点之间的对应顺序值相同，表示保持了一致的同增同减趋势，说明了相关性。
在统计中我们也可表示为${\rho }_s=\rho (F_x(X),F_y(Y))$其中F表示累计分布函数。

cor(x,exp(x),method="kendall")

如果对本章节相关内容有疑问，更多精彩可见

此贴为原创，转载需注明出处和作者