MA模型简介及其相关性质

1.概述

1.1 定义

具有如下结构的模型称为q阶移动平均模型，简记为$MA(q)$：
$$\{\begin{array}{l}{x}_t=\mu +{ϵ}_t-{\theta }_1{ϵ}_{t-1}-{\theta }_2{ϵ}_{t-2}-...-{\theta }_q{ϵ}_{t-q}(注意此处定义为“-”号，也可定义为“+”号)\\ {\theta }_q\ne 0\\ E({ϵ}_t)=0，Var({ϵ}_t)={\sigma }^2,E({ϵ}_t{ϵ}_s)=0,s\ne t\end{array}$$

1.2 限制条件

使用$MA(q)$模型须满足两个限制条件：
①${\theta }_q\ne 0$，保证$MA(q)$最高阶数为q
②$({ϵ}_t)=0，Var({ϵ}_t)={\sigma }^2,E({ϵ}_t{ϵ}_s)=0,s\ne t$。保证随机扰动项 { ϵ t } \{\epsilon_t\} {ϵt​}为零均值白噪声序列。

1.3 中心化$MA(q)$模型

与$AR(p)$模型类似，非中心化的$MA(q)$模型可以转化为中心化$MA(q)$模型，具体过程与$AR(p)$模型转化过程相同，此处不再赘述。

1.4 简记

通过使用延迟算子，我们可以把$MA(q)$模型简记为：
$$x_t=\Theta (B){ϵ}_t$$
其中$\Theta (B)=1-{\theta }_{1}B-{\theta }_2{B}^2-...{\theta }_q{B}^q$

2. 统计性质

2.1 常数均值

当$q<\infty$时，$MA(q)$模型具有常数均值：
$$E(x_t)=E(\mu +{ϵ}_t-{\theta }_1{ϵ}_{t-1}-{\theta }_2{ϵ}_{t-2}-...-{\theta }_q{ϵ}_{t-q})=\mu$$

2.2 常数方差

$$Var(x_t)=Var(\mu +{ϵ}_t-{\theta }_1{ϵ}_{t-1}-{\theta }_2{ϵ}_{t-2}-...-{\theta }_q{ϵ}_{t-q})=(1+{\theta }_1^2+{\theta }_2^2+...+{\theta }_q^2){\sigma }_{ϵ}^2$$

2.3 自协方差函数

$${\gamma }_k=E(x_t{x}_{t-k})=E[(\mu +{ϵ}_t-{\theta }_1{ϵ}_{t-1}-{\theta }_2{ϵ}_{t-2}-...-{\theta }_q{ϵ}_{t-q})(\mu +{ϵ}_{t-k}-{\theta }_1{ϵ}_{t-k-1}-{\theta }_2{ϵ}_{t-k-2}-...-{\theta }_q{ϵ}_{t-k-q})]$$
由于$E(x_t{x}_s)=0,t\ne s$，所以可得到自协方差函数为：
$${\gamma }_k=\{\begin{array}{l}(1+{\theta }_1^2+{\theta }_2^2+...+{\theta }_q^2){\sigma }_{ϵ}^2\text{,}k=0\\ (-{\theta }_k+{\sum }_{i=1}^{q-k}{\theta }_i{\theta }_{k+i}){\sigma }_{ϵ}^2\text{,}1\le k\le q\\ 0\text{,}k>q\end{array}$$
从上式中我们可以得出，$MA(q)$模型的自协方差函数q阶截尾。

2.4 自相关系数

$${\rho }_k=\frac{{\gamma }_k}{{\gamma }_0}$$
$$=\{\begin{array}{l}1,k=0\\ \frac{(-{\theta }_k+{\sum }_{i=1}^{q-k}{\theta }_i{\theta }_{k+i}){\sigma }_{ϵ}^2}{1+{\theta }_1^2+{\theta }_2^2+...+{\theta }_q^2){\sigma }_{ϵ}^2}\text{,}1\le k\le q\\ 0\text{,}k>q\end{array}$$
同样可以得出，$MA(q)$模型的自相关系数q阶截尾。

3.可逆性

为什么要提出可逆性？这是因为当我们给定一个自相关系数时，对应着这个自相关系数的$MA$模型不止有一个。为了保证一个给定的自相关系数只对应一个$MA$模型，提出了可逆性这个概念。
例如：对于以下两个$MA(1)$模型：
模型一：$x_t={ϵ}_t-\theta {ϵ}_{t-1}$ 模型2：$x_t={ϵ}_t-\frac{1}{\theta }{ϵ}_{t-1}$
通过2.4自相关系数计算公式可得模型一的自相关系数为：
$${\rho }_k=\{\begin{array}{l}1,k=0\\ \frac{-{\theta }_1}{1+{\theta }_1^2},k=1\\ 0,k>1\end{array}$$
模型二的自相关系数为：
$${\rho }_k=\{\begin{array}{l}1,k=0\\ \frac{-\frac{1}{{\theta }_1}}{1+\frac{1}{{\theta }_1^2}}=\frac{-{\theta }_1}{1+{\theta }_1^2},k=1\\ 0,k>1\end{array}$$
可以看出两个$MA(1)$模型都有相同的自相关系数，也就是给定了自相关系数时，我们可以得出两个不同的MA模型。

3.1 可逆性的定义

若一个MA模型能够表示成收敛的AR模型的形式，那么该MA模型是可逆的。

3.2 MA(q)的可逆性条件

MA(q)模型可表示为：
$${ϵ}_t=\frac{x_t}{\Theta (B)}$$
其中$\Theta (B)=1-{\theta }_{1}B-...-{\theta }_q{B}^q$为移动平均系数多项式。假定$\frac{1}{{\lambda }_1},\frac{1}{{\lambda }_2},...,\frac{1}{{\lambda }_q}$是多项式的解，则$\Theta (B)$可写为$$\Theta (B)=\prod _{i=1}^q(1-{\lambda }_{i}B)$$
所以$MA(q)$可写为：
$${ϵ}_t=\frac{x_t}{{\prod }_{i=1}^q(1-{\lambda }_{i}B)}$$
上式收敛的条件是$|{\lambda }_i|<1$，即多项式的根都在单位圆外，$|\frac{1}{{\lambda }_i}|>1$，这个条件就被称为MA(q)模型的可逆性条件。

3.3 逆函数递推公式

如$MA(q)$模型满足可逆性条件，则其可以写成以下两种形式：
$$\{\begin{array}{l}\Theta (B){ϵ}_t=x_t\\ {ϵ}_t=I(B)x_t\end{array}$$
上式可转化为：
$$I(B)\Theta (B)x_t=x_t$$
展开可得
$$(1+\sum _{j=0}^n{I}_j{B}^j)(1-\sum _{k=0}^q{\theta }_k{B}^k)x_t=x_t$$
由待定系数法可得逆函数递推公式为：
$$\{\begin{array}{l}{I}_0=1\\ I_j={\sum }_{k=1}^j{\theta }_k^{{}^{\prime }}{I}_{j-k},j\ge 1\end{array}$$
其中$${\theta }_k^{{}^{\prime }}=\{\begin{array}{l}0,k>q\\ {\theta }_k,k\le q\end{array}$$

4.偏自相关系数拖尾性

    从第三节我们可以得出，一个可逆的$MA(q)$模型可以表达为一个$AR(\infty )$的形式，而$AR(p)$模型具有自相关系数p阶截尾的性质，所以可逆$MA(q)$具有偏自相关系数拖尾性。
    一个可逆的$MA$模型也会对应一个与之有相同自相关系数的不可逆$MA$模型，由于其自相关系数是一样的，所以这个不可逆的$MA$模型也具有偏自相关系数拖尾性。