朋友们,时间序列又回来了~
我好难过,我们时间序列的课程下半个学期换了一个老师,原来的老师有事去了o(╥﹏╥)o,新老师虽然也好,但是我还是喜欢原来老师的方式和节奏呀,一个点一个点的超级清楚。我们统计系的没有上过任何的金融课程,可是新老师能给我们扯半节课的金融,我真的一点都听不懂啊。。。那个什么EMH。。。我都怀疑她是不是金融系派过来的卧底。。。
为了和老师课件保持一致,我们后边的记号发生变化了:对于时间序列,不再用
,而是使用
; 对于白噪声,不再使用
,而是使用
。
最小均方误差预测
老师上课讲的证明我不太赞同,她的条件期望用的好奇怪,我决定还是按照书上的方法来理解这个证明。
- 首先我们来看一个很简单的最小化问题:
假设
为均值
,方差
的随机变量。现在我们想用一个常数
来预测
,为了找到最佳的常数
,我们得制定一个衡量最佳的规则——这个规则就是最小化我们的预测均方误差,也就是使得随机变量与预测值离差平方和的期望最小。具体需要最小化的对象如下:
注意到这里的
、
是两个常数,
是
的函数,于是我们对
求导,可以得到最优的
。
- 现在,我们决定将问题升级,利用随机变量
的某一个函数来预测,规则仍然是使得预测均方误差最小。假设我们的函数为。具体最小化的目标是:
如果我们仍然像先前那样展开求导,由于不知道函数
的形式,我们没法对
进行求导从而得出最后的结果。但是这里,我们可以使用条件期望。
。对于给定随机变量
的值,
就是一个常数了,于是使得里层期望最小的
等于
。而里层期望最小也必然使得总体期望最小,因此
等于
是最优的预测。
- 那么对于已经观测到的时间序列数据
,根据前三章我们已经得到了对应的模型。如果我们想用这个模型来预测时刻的值,在最小均方误差规则下,我们的最优预测是:
AR(p)模型
AR(p) :
向前一步预测:
向前两步预测:
向前
步预测:
的预测值
,相当于我们从向前第一步预测开始算,然后依次迭代。
,这里
在
的时候为
。
以及方差按照上边同样的方法算就可以了,都是迭代过去的。
MA(q)模型
注意:我们这里考虑的是可逆模型,因此,白噪声项
可以写成
的函数,因此,知道了
,就相当于知道了
时刻之前的所有白噪声项。当然,这里只是一个逼近结论。
MA(q):
对于ARMA(p,q),在平稳可逆前提下,我们一般是写成MA(q)再求解。