统计 | 时间序列学习笔记

（所有ppt截图，以及部分代码，来自中财黄白老师的ppt）

一、复习

Lecture 1、2

1、损失函数与最优一步预测

• 一个随机过程：$Z_t\equiv {\left(Y_t,X_t^{\prime }\right)}^{\prime }$，$X_t$是一个向量，$Y_t$是我们感兴趣的变量
• 我们可以利用T期观测： { Z 1 , … , Z t } \left\{Z_{1}, \ldots, Z_{t}\right\} { Z1​,…,Zt​}，来估计模型参数${\hat{\beta }}_t$
• 由此得到一步预测：$f\left(Z_t,{\hat{\beta }}_t\right)$令$f_{t,1}\equiv f\left(Z_t,{\hat{\beta }}_t\right)$，用$f_{t,1}$来估计$Y_{t+1}$
• 一步预测误差：$e_{t+1}\equiv Y_{t+1}-f_{t,1}$
• 一步预测误差的损失函数：$c\left(e_{t+1}\right)$，最优预测$f_{t,1}^{\ast }$使得损失函数能够达到最小：$$f_{t,1}^{\ast }=arg\underset{f_{t,1}}{\min }{\int }_{-\infty }^{\infty }c\left(y-f_{t,1}\right)d{F}_t(y)$$
  则最优预测误差：$e_{t+1}^{\ast }=Y_{t+1}-f_{t,1}^{\ast }$
• 求$f_{t,1}^{\ast }$的过程：
  令偏导数等于0，$$\frac{\partial }{\partial f_{t,1}}{\int }_{-\infty }^{\infty }c\left(y-f_{t,1}^{\ast }\right)d{F}_t(y)=0$$ 当积分和求导符号互换时，$$\begin{array}{rl}& {\int }_{-\infty }^{\infty }\frac{\partial }{\partial f_{t,1}}c\left(y-f_{t,1}^{\ast }\right)d{F}_t(y)\equiv E\left(\frac{\partial }{\partial f_{t,1}}c\left(Y_{t+1}-f_{t,1}^{\ast }\right)|I_t\right)\\ & \equiv E\left(g_{t+1}|I_t\right)=0\end{array}$$ 其中， I t = { Z 1 , … , Z t } I_{t}=\left\{Z_{1}, \ldots, Z_{t}\right\} It​={ Z1​,…,Zt​}， $g_{t+1}\equiv \frac{\partial }{\partial f_{t,1}}c\left(Y_{t+1}-f_{t,1}^{\ast }\right)$

2、平方损失函数

• 平方损失函数：$c\left(Y_{t+1}-f_{t,1}\right)\equiv {\left(Y_{t+1}-f_{t,1}\right)}^2$. 所以$g_{t+1}\equiv \frac{\partial }{\partial f_{t,1}}c\left(Y_{t+1}-f_{t,1}^{\ast }\right)=-2e_{t+1}^{\ast }$，那么$$E\left(e_{t+1}^{\ast }|I_t\right)=0$$所以，$E\left(Y_{t+1}-f_{t,1}^{\ast }|I_t\right)=0$，即$$f_{t,1}^{\ast }=E\left(Y_{t+1}|I_t\right)$$

另外，在check loss下，$f_{t,1}^{}$