【时间序列分析】03. 谱密度
Contents
- 谱密度
- 谱函数和谱密度
- 白噪声的谱密度
- 线性序列的谱密度
- 线性滤波与谱密度
谱密度
谱函数和谱密度
随机变量的统计性质可以由它的分布函数或概率密度刻画,类似地,平稳序列的统计性质可以由它的谱分布函数或谱密度函数刻画。平稳序列的谱分布函数是唯一存在的,但并不是所有的平稳序列都具有谱密度函数。
谱反映了平稳序列的相关结构。谱密度是将原始序列看成许多个不同频率的余弦波的叠加时,不同频率的振幅平方大小,谱密度越高的地方,对应的频率成分的振幅越大。
设平稳序列 { X t } \{X_t\} {Xt} 有自协方差函数 { γ k } \{\gamma_k\} {γk}
如果有 [ − π , π ] [-\pi,\,\pi] [−π,π] 上的单调不减右连续的函数 F ( λ ) F(\lambda) F(λ) ,使得
γ k = ∫ − π π e i k λ d F ( λ ) , F ( − π ) = 0 , k ∈ Z , \gamma_k=\int_{-\pi}^\pi e^{ik\lambda}\,{\rm d}F(\lambda) \ , \ \ \ \ F(-\pi)=0\ , \ \ \ \ k\in\Z, γk=∫−ππeikλdF(λ) , F(−π)=0 , k∈Z,
就称 F ( λ ) F(\lambda) F(λ) 是 { X t } \{X_t\} {Xt} 或 { γ k } \{\gamma_k\} {γk} 的谱分布函数。
如果有 [ − π , π ] [-\pi,\,\pi] [−π,π] 上的非负函数 f ( λ ) f(\lambda) f(λ) ,使得
γ k = ∫ − π π f ( λ ) e i k λ d λ , k ∈ Z , \gamma_k=\int_{-\pi}^\pi f(\lambda)e^{ik\lambda}\,{\rm d}\lambda \ , \ \ \ \ k\in\Z, γk=∫−ππf(λ)eikλdλ , k∈Z,
就称 f ( λ ) f(\lambda) f(λ) 是 { X t } \{X_t\} {Xt} 或 { γ k } \{\gamma_k\} {γk} 的谱密度函数。
谱函数和谱密度之间具有如下的联系
如果 { X t } \{X_t\} {Xt} 有谱密度 f ( λ ) f(\lambda) f(λ) ,则 { X t } \{X_t\} {Xt} 的谱函数就是变上限的积分
F ( λ ) = ∫ − π λ f ( s ) d s . F(\lambda)=\int_{-\pi}^\lambda f(s)ds. F(λ)=∫−πλf(s)ds.
如果 F ( λ ) F(\lambda) F(λ) 是连续函数,除去有限点外导函数存在且连续,则谱密度 f ( λ ) f(\lambda) f(λ) 是
f ( λ ) = { F ′ ( λ ) , 当 F ′ ( λ ) 存在 , 0 , 当 F ′ ( λ ) 不存在 . f(\lambda)=\left\{ \begin{array}{ll} F'(\lambda)\ , & \text{当}\ F'(\lambda)\ \text{存在} ,\\ 0\ , & \text{当}\ F'(\lambda)\ \text{不存在}\ . \end{array} \right. f(λ)={F′(λ) ,0 ,当 F′(λ) 存在,当 F′(λ) 不存在 .
Herglotz 定理:平稳序列的谱函数是唯一存在的。
推论:平稳序列的谱密度如果存在,则在几乎处处的意义下是唯一的。
定理:实值平稳序列的谱密度是偶函数。
设 f ( λ ) f(\lambda) f(λ) 是实值平稳序列 { X t } \{X_t\} {Xt} 的谱密度,即证 f ( − λ ) = f ( λ ) f(-\lambda)=f(\lambda) f(−λ)=f(λ) ,从而有
C o v ( X t , X t + k ) = 2 ∫ 0 π cos ( k λ ) f ( λ ) d λ , k = 0 , 1 , 2 , . . . {\rm Cov}(X_t,\,X_{t+k})=2\int_0^\pi\cos(k\lambda)f(\lambda)\,{\rm d}\lambda \ , \ \ \ \ k=0,1,2,... Cov(Xt,Xt+k)=2∫0πcos(kλ)f(λ)dλ , k=0,1,2,...
根据谱密度的定义,可以写出 γ − k \gamma_{-k} γ−k 的表达式
γ − k = ∫ − π π f ( λ ) e − i k λ d λ = t = − λ ∫ − π π f ( − t ) e i k t d t = ∫ − π π f ( − λ ) e i k λ d λ \gamma_{-k}=\int_{-\pi}^\pi f(\lambda)e^{-ik\lambda}\,{\rm d}\lambda\xlongequal{t=-\lambda}\int_{-\pi}^\pi f(-t)e^{ikt}\,{\rm d}t=\int_{-\pi}^\pi f(-\lambda)e^{ik\lambda}\,{\rm d}\lambda γ−k=∫−ππf(λ)e−ikλdλt=−λ ∫−ππf(−t)eiktdt=∫−ππf(−λ)eikλdλ
由于 γ − k = γ k \gamma_{-k}=\gamma_k γ−k=γk ,所以
γ k = ∫ − π π f ( − λ ) e i k λ d λ \gamma_k=\int_{-\pi}^\pi f(-\lambda)e^{ik\lambda}\,{\rm d}\lambda γk=∫−ππf(−λ)eikλdλ
由 Herglotz 定理知平稳序列的谱密度若存在,则几乎处处唯一。因此 f ( − λ ) f(-\lambda) f(−λ) 也是 { X t } \{X_t\} {Xt} 的谱密度,即 f ( − λ ) = f ( λ ) f(-\lambda)=f(\lambda) f(−λ)=f(λ) ,所以 f ( λ ) f(\lambda) f(λ) 是偶函数。
因此有
f ( λ ) = 1 2 ( f ( λ ) + f ( − λ ) ) f(\lambda)=\frac{1}{2}(f(\lambda)+f(-\lambda)) f(λ)=21(f(λ)+f(−λ))
于是
C o v ( X t , X t + k ) = γ k = 1 2 ∫ − π π ( f ( λ ) + f ( − λ ) ) e i k λ d λ = 1 2 ( ∫ − π π f ( λ ) e i k λ d λ + ∫ − π π f ( λ ) e − i k λ d λ ) = 1 2 ∫ − π π f ( λ ) ( e i k λ + e − i k λ ) d λ = ∫ − π π cos ( k λ ) f ( λ ) d λ = 2 ∫ 0 π cos ( k λ ) f ( λ ) d λ . \begin{aligned} {\rm Cov}(X_t,\,X_{t+k})=\gamma_k&=\frac{1}{2}\int_{-\pi}^\pi (f(\lambda)+f(-\lambda))e^{ik\lambda}\,{\rm d}\lambda\\ &=\frac{1}{2}(\int_{-\pi}^\pi f(\lambda)e^{ik\lambda}\,{\rm d}\lambda+\int_{-\pi}^\pi f(\lambda)e^{-ik\lambda}\,{\rm d}\lambda) \\ &=\frac{1}{2}\int_{-\pi}^\pi f(\lambda)(e^{ik\lambda}+e^{-ik\lambda})\,{\rm d}\lambda \\ &=\int_{-\pi}^\pi\cos(k\lambda)f(\lambda)\,{\rm d}\lambda \\ &=2\int_0^\pi\cos(k\lambda)f(\lambda)\,{\rm d}\lambda. \end{aligned} Cov(Xt,Xt+k)=γk=21∫−ππ(f(λ)+f(−λ))eikλdλ=21(∫−ππf(λ)eikλdλ+∫−ππf(λ)e−ikλdλ)=21∫−ππf(λ)(eikλ+e−ikλ)dλ=∫−ππcos(kλ)f(λ)dλ=2∫0πcos(kλ)f(λ)dλ.
白噪声的谱密度
如果 { ϵ t } \{\epsilon_t\} {ϵt} 是 W N ( 0 , σ 2 ) {\rm WN}(0,\,\sigma^2) WN(0,σ2) ,则 { ϵ t } \{\epsilon_t\} {ϵt} 的自协方差函数为
γ k = σ 2 δ k , k ∈ Z . \gamma_k=\sigma^2\delta_k \ , \ \ \ \ k\in\Z. γk=σ2δk , k∈Z.
容易验证令
f ( λ ) = σ 2 2 π , λ ∈ [ − π , π ] f(\lambda)=\frac{\sigma^2}{2\pi}\ , \ \ \ \ \lambda\in[-\pi,\,\pi] f(λ)=2πσ2 , λ∈[−π,π]
有
γ k = ∫ − π π f ( λ ) e i k λ d λ , k ∈ Z \gamma_k=\int_{-\pi}^\pi f(\lambda)e^{ik\lambda}\,{\rm d}\lambda \ , \ \ \ \ k\in\Z γk=∫−ππf(λ)eikλdλ , k∈Z
事实上, { ϵ t } \{\epsilon_t\} {ϵt} 是白噪声的充分必要条件是其谱密度 f ( λ ) f(\lambda) f(λ) 为非零常数。
线性序列的谱密度
如果 { ϵ t } \{\epsilon_t\} {ϵt} 是 W N ( 0 , σ 2 ) {\rm WN}(0,\,\sigma^2) WN(0,σ2) ,实数列 { a j } \{a_j\} {aj} 平方可和,则线性平稳序列
X t = ∑ j = − ∞ ∞ a j ϵ t − j , t ∈ Z X_t=\sum_{j=-\infty}^\infty a_j\epsilon_{t-j} \ , \ \ \ \ t\in\Z Xt=j=−∞∑∞ajϵt−j , t∈Z
有谱密度
f ( λ ) = σ 2 2 π ∣ ∑ j = − ∞ ∞ a j e i j λ ∣ 2 . f(\lambda)=\dfrac{\sigma^2}{2\pi}\left|\sum_{j=-\infty}^\infty a_je^{ij\lambda}\right|^2. f(λ)=2πσ2∣∣∣∣∣j=−∞∑∞ajeijλ∣∣∣∣∣2.
特别地,对于白噪声序列,令 a j = δ j = { 1 , j = 0 0 , j ≠ 0 a_j=\delta_j=\left\{ \begin{array}{ll} 1\ , & j=0 \\ 0\ , & j\neq 0 \end{array} \right. aj=δj={1 ,0 ,j=0j=0 ,即可得到零均值白噪声 W N ( 0 , σ 2 ) {\rm WN}(0,\,\sigma^2) WN(0,σ2) 的谱密度 f ( λ ) = σ 2 2 π f(\lambda)=\dfrac{\sigma^2}{2\pi} f(λ)=2πσ2
线性滤波与谱密度
设 { X t } \{X_t\} {Xt} 是平稳序列, H = { h j } H=\{h_j\} H={hj} 是绝对可和的保时线性滤波器, { Y t } \{Y_t\} {Yt} 为输出过程
Y t = ∑ j = − ∞ ∞ h j X t − j , t ∈ Z , Y_t=\sum_{j=-\infty}^\infty h_jX_{t-j} \ , \ \ \ \ t\in\Z, Yt=j=−∞∑∞hjXt−j , t∈Z,
H ( z ) H(z) H(z) 是滤波器 H H H 的特征多项式
H ( z ) = ∑ j = − ∞ ∞ h j z j , ∣ z ∣ ≤ 1. H(z)=\sum_{j=-\infty}^\infty h_jz^j \ , \ \ \ \ |z|\leq1. H(z)=j=−∞∑∞hjzj , ∣z∣≤1.
如果 { X t } \{X_t\} {Xt} 有谱函数 F X ( λ ) F_X(\lambda) FX(λ) ,则 { Y t } \{Y_t\} {Yt} 有谱函数
F Y ( λ ) = ∫ − π λ ∣ H ( e − i s ) ∣ 2 d F X ( s ) . F_Y(\lambda)=\int_{-\pi}^\lambda\left|H(e^{-is})\right|^2\,{\rm d}F_X(s). FY(λ)=∫−πλ∣∣H(e−is)∣∣2dFX(s).
如果 { X t } \{X_t\} {Xt} 有谱密度 f X ( λ ) f_X(\lambda) fX(λ) ,则 { Y t } \{Y_t\} {Yt} 有谱密度
f Y ( λ ) = ∣ H ( e − i s ) ∣ 2 f X ( λ ) . f_Y(\lambda)=\left|H(e^{-is})\right|^2f_X(\lambda). fY(λ)=∣∣H(e−is)∣∣2fX(λ).
已经证明过输出过程的自协方差函数为
γ Y ( k ) = ∑ j = − ∞ ∞ ∑ k = − ∞ ∞ h l h j γ X ( k + l − j ) \gamma_Y(k)=\sum_{j=-\infty}^\infty\sum_{k=-\infty}^\infty h_lh_j\gamma_X(k+l-j) γY(k)=j=−∞∑∞k=−∞∑∞hlhjγX(k+l−j)
由绝对收敛性和控制收敛定理,
γ Y ( k ) = ∑ j = − ∞ ∞ ∑ k = − ∞ ∞ h l h j ∫ − π π e i ( k + l − j ) λ d F X ( λ ) = ∫ − π π ∑ j = − ∞ ∞ ∑ k = − ∞ ∞ h l h j e i ( l − j ) λ e i k λ d F X ( λ ) = ∫ − π π ∣ ∑ j = − ∞ ∞ h j e − i j λ ∣ 2 e i k λ d F X ( λ ) = ∫ − π π ∑ j = − ∞ ∞ ∑ k = − ∞ ∞ h l h j e i ( l − j ) λ e i k λ d F X ( λ ) = ∫ − π π ∣ H ( e − i λ ) ∣ 2 e i k λ d F X ( λ ) \begin{aligned} \gamma_Y(k) &=\sum_{j=-\infty}^\infty\sum_{k=-\infty}^\infty h_lh_j\int_{-\pi}^\pi e^{i(k+l-j)\lambda}\,{\rm d}F_X(\lambda) \\ &=\int_{-\pi}^\pi\sum_{j=-\infty}^\infty\sum_{k=-\infty}^\infty h_lh_je^{i(l-j)\lambda}e^{ik\lambda}\,{\rm d}F_X(\lambda) \\ &=\int_{-\pi}^\pi\left|\sum_{j=-\infty}^\infty h_je^{-ij\lambda}\right|^2e^{ik\lambda}\,{\rm d}F_X(\lambda) \\ &=\int_{-\pi}^\pi\sum_{j=-\infty}^\infty\sum_{k=-\infty}^\infty h_lh_je^{i(l-j)\lambda}e^{ik\lambda}\,{\rm d}F_X(\lambda) \\ &=\int_{-\pi}^\pi\left|H(e^{-i\lambda})\right|^2e^{ik\lambda}\,{\rm d}F_X(\lambda) \end{aligned} γY(k)=j=−∞∑∞k=−∞∑∞hlhj∫−ππei(k+l−j)λdFX(λ)=∫−ππj=−∞∑∞k=−∞∑∞hlhjei(l−j)λeikλdFX(λ)=∫−ππ∣∣∣∣∣j=−∞∑∞hje−ijλ∣∣∣∣∣2eikλdFX(λ)=∫−ππj=−∞∑∞k=−∞∑∞hlhjei(l−j)λeikλdFX(λ)=∫−ππ∣∣H(e−iλ)∣∣2eikλdFX(λ)
因此
d F Y ( λ ) = ∣ H ( e − i λ ) ∣ 2 d F X ( λ ) . {\rm d}F_Y(\lambda)=\big|H(e^{-i\lambda})\big|^2\,{\rm d}F_X(\lambda). dFY(λ)=∣∣H(e−iλ)∣∣2dFX(λ).
得到 { Y t } \{Y_t\} {Yt} 的谱函数
F Y ( λ ) = ∫ − π λ ∣ H ( e − i s ) ∣ 2 d F X ( s ) . F_Y(\lambda)=\int_{-\pi}^\lambda\left|H(e^{-is})\right|^2\,{\rm d}F_X(s). FY(λ)=∫−πλ∣∣H(e−is)∣∣2dFX(s).
当 { X t } \{X_t\} {Xt} 有谱密度 f X ( λ ) f_X(\lambda) fX(λ) 时
F Y ( λ ) = ∫ − π λ ∣ H ( e − i s ) ∣ 2 f X ( s ) d s . F_Y(\lambda)=\int_{-\pi}^\lambda\left|H(e^{-is})\right|^2f_X(s)\,{\rm d}s. FY(λ)=∫−πλ∣∣H(e−is)∣∣2fX(s)ds.
得到 { Y t } \{Y_t\} {Yt} 的谱密度
f Y ( λ ) = ∣ H ( e − i s ) ∣ 2 f X ( λ ) . f_Y(\lambda)=\left|H(e^{-is})\right|^2f_X(\lambda). fY(λ)=∣∣H(e−is)∣∣2fX(λ).
【时间序列分析】03. 谱密度相关推荐
- 【时间序列分析】09.AR(p)序列的谱密度及其他性质
文章目录 九. A R ( p ) {\rm AR}(p) AR(p)序列的谱密度及其他性质 1. A R ( p ) {\rm AR}(p) AR(p)序列的谱密度与反演公式 2.自协方差函数的周期 ...
- 【时间序列分析】05.谱函数与谱密度
文章目录 五.谱函数与谱密度 1.谱函数与谱密度 2.无穷滑动和的谱密度 3.零均值正交平稳序列的谱 4.线性滤波的谱密度 回顾总结 五.谱函数与谱密度 1.谱函数与谱密度 对于时间序列的初学者来说, ...
- 【统计学】【2009.03】【含源码】时间序列分析和统计过程控制工具在财务数据中的应用
本文为加拿大多伦多大学(作者:Mohammed Siyam Ibrahim)的学士论文,共122页. 时间序列分析在金融数据中的应用仍然是日内交易员.定量金融专家和精选投资专家感兴趣领域.作者成功地将 ...
- python arima模型_时间序列分析 ARIMA模型 Python(2)
最近做了一个时间序列分析的项目.时间序列分析不同于以前的项目--看一下相关的库怎么用,就可以快速上线应用.它是非常需要你的基础知识的,Hamilton关于<时间序列分析>方面的知识,写了厚 ...
- 机器学习(二十一)——Optimizer, 单分类SVM多分类SVM, 时间序列分析
http://antkillerfarm.github.io/ Optimizer 在<机器学习(一)>中,我们已经指出梯度下降是解决凸优化问题的一般方法.而如何更有效率的梯度下降,就是本 ...
- 神经网络时间序列分析,神经网络模型可解释性
时间序列模型和神经网络模型有何区别? 时间序列模型和神经网络模型有何区别? 时间序列的各个模型有什么区别和应用 信息管理安全模型有哪些 信息系统安全模型的构建是获得信息系统安全的基础和保障.安全模型是 ...
- 时间序列分析ARMA模型原理及Python statsmodels实践(上)
目录 1. 时间序列及相关基本概念 1.1. 时间序列分解 1.2. 时间平稳序列 1.3. 自相关与自相关函数(ACF) 1.4. 白噪声及Ljung-Box检验 1.4.1. 白噪声 1.4.2. ...
- 【组队学习】【30期】时间序列分析
时间序列分析 航路开辟者:李岳昆.易远哲 领航员:王洲烽 航海士:李岳昆.易远哲 基本信息 开源内容:https://github.com/datawhalechina/team-learning-d ...
- matlab估计arma残差,写给你的金融时间序列分析:补完篇
摘要 本文介绍时间序列分析中的 GARCH 模型,阐述使用 mean model 和 volatility model 对收益率序列联合建模的方法. 1 引言 之前,我们推出了<写给你的时间序列 ...
最新文章
- laravel项目composer安装
- 学会转变你的思维方式,一切都会变得不一样
- 1个多月就能看到效果的减肥大法 - 健康程序员,至尚生活!
- 异常:没有找到本地方法库,java.lang.UnsatisfiedLinkError: no trsbean in java.library.path
- spring的Bean属性
- 查看进程中占cpu高的线程方法
- substring的用法
- python +selenium +chrome/firefox 环境配置
- python爬虫练习--爬取猫眼top100电影信息
- hibernate hql
- UML类图关系大全【转】
- html语言添加点击事件,vue 中拼接html时添加点击事件
- 【ML小结7】贝叶斯分类器:朴素、半朴素贝叶斯
- OEIS A181891
- 单容水箱液位pid控制实验报告_过程控制实验-单容水箱液位控制系统
- 头歌 1.Pandas安装与对象使用
- 匿名函数的this指向
- Android群英传 笔记1 安卓 系统架构和开发工具
- raid5通常需要几块盘_组成raid5阵列最少需要几块硬盘?
- 关于求最大公倍数的不同算法比较