金融时间序列分析:4. AR自回归模型
0. 目录
金融时间序列分析:9. ARMA自回归移动平均模型
金融时间序列分析:8. MA模型实例(Python)
金融时间序列分析:7. MA滑动平均模型
金融时间序列分析:6. AR模型实例
金融时间序列分析:5. AR模型实例(Python)
金融时间序列分析:4. AR自回归模型
金融时间序列分析:3. First Demo By Python
金融时间序列分析:2. 数学分析模型
金融时间序列分析:1. 基础知识
1. 前言
接下来真是进入金融时间序列分析与预测阶段,可以说进入本篇算是正式入门了。
这里会聊聊一个最基本的模型——AR模型
2. AR模型
AR模型:(Autoregressive Model)自回归模型,是时间序列分析模型中最简单的两个模型其中之一(另一个事MA模型)。
利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型
其中{ata_t}是均值为0,方差为σ2\sigma^2的白噪声序列。
3. AR(1)
3.1 模型公式
x_t = \phi_0 + \phi_1x_{t-1} + a_t, ...............3.1
or
(1 − \phi_1B)x_t = \phi_0 + a_t
3.2 数学特征
期望
E(x_t) = \mu = \frac{\phi_0}{1-\phi_1}, ................3.2
推导方法:直接对公式3.1两边求期望即可
把3.2带入3.1可以将AR模型公式改写为:
x_t - \mu = \phi_1(x_{t-1} - \mu) + a_t,................3.3
方差
Var(x_t) = \frac{{\sigma_a}^2}{1-{\phi_1}^2},....................3.4
推导方法:直接对公式3.1两边求方差即可
协方差
自相关函数
\rho_k = \phi_1\rho_{k-1}, k > 0
ρ1=ϕ1\rho_1 = \phi_1
ρ2=ϕ12\rho_2 = {\phi_1 }^ 2
…
ρk=ϕ1k\rho_k = {\phi_1 }^ k
因为|ρ1|=|ϕ1|≤1|\rho_1| = |\phi_1| \le1,所以ρk\rho_k随着k的增大时不断衰减的,从显示意义上解释是:
越是久远的数据,对当前数据的印象越小
ACF表现如下:
3.3 预测
令yt=xt−μy_t = x_t - \mu,带入3.3式得:
y_t = \phi_1 y_{t-1} + a_t,...................3.5
单步预测
(1)预测
\hat y_n(1) = \phi_1y_n
(2)误差
e_n(1) = y_{n+1} - \hat y_n(1) = a_{t+1}
(3)误差波动率
Var(e_n(1)) = {\sigma_a}^2
两步预测
(1)预测
\hat y_n(2) = \phi_1\hat y_n(1) = \phi_1 ^ 2 y_n
(2)误差
e_n(2) = y_{n+2} - \hat y_n(2) = \phi_1a_{n+1} + a_{n+2}
(3)误差波动率
Var(e_n(2)) = (\phi_1 ^ 2 + 1){\sigma_a}^2
多步预测
(1)预测
\hat y_n(k) = \phi_1\hat y_n(k-1) = \phi_1 ^ k y_n
(2)误差
e_n(k) = y_{n+k} - \hat y_n(k) = a_{n+k} + \phi_1a_{n+k-1} + ...+ \phi_1^ia_{n+k-i} + \phi_1^{k-1}a_{n+1}
(3)误差波动率
Var(e_n(k)) = (1+\phi_1 ^ 2 + ...+\phi_1^{2(k-1)}){\sigma_a}^2
Particularly:
当k→∞k \to \infty时:
ŷ n(k)→0,x(n)→μ\hat y_n(k) \to 0, x(n) \to \mu
Var(en(k))=Var(rn)Var(e_n(k)) = Var(r_n)
4. AR(2)
4.1 模型公式
x_t = \phi_0 + \phi_1x_{t-1} + \phi_2 x_{t-2}+ a_t, ...............4.1
or
(1 − \phi_1B - \phi_2B^2)x_t = \phi_0 + a_t
4.2 数学特征
期望
E(x_t) = \mu = \frac{\phi_0}{1-\phi_1-\phi_2}, ................4.2
推导方法:直接对公式3.1两边求期望即可
把3.2带入3.1可以将AR模型公式改写为:
x_t - \mu = \phi_1(x_{t-1} - \mu) + \phi_2(x_{t-2} - \mu)+ a_t,................4.3
PS:
This form is often used in the finance literature to highlight the mean-reverting property of a stationary AR(2) model.
In finance, mean reversion is the assumption that a stock’s price will tend to move to the average price over time.
方差
Var(x_t) = \frac{{\sigma_a}^2}{1-{\phi_1}^2},....................4.4
推导方法:直接对公式3.1两边求方差即可
ACF
ρ0=1\rho_0 = 1
ρ1=ϕ11−ϕ2\rho_1 = \frac{\phi_1}{1-\phi_2}
…
ρk=ϕ1ρk−1+ϕ2ρk−2,k≥2,.......4.5\rho_k = \phi_1\rho_{k-1} + \phi_2\rho_{k-2}, k \ge 2,.......4.5
4.3. 滞后算子B\L
平稳的时间序列,AR(2) ACF满足二阶差分方程:
(1-\phi_1B - \phi_2 B^2)\rho_k = 0,..........4.6
其中B成为延时算子或滞后算子(backshift),
B\rho_k = \rho_{k-1}
B = \frac {\rho_{k-1}}{\rho_k}
上面这个式子很重要,决定了AR(2)的性质。
差分方程:
1 - \phi_1z - \phi_2 z^2 = 0
求解:
z = \frac {\phi_1 + \sqrt {\phi_1 ^ 2 + 4\phi_2}}{-2\phi_2}
我们用ω1, ω2表示2个特征根(z的倒数),那么差分方程可以分解为
(1 - ω1B)(1-ω2B) = 0
这可以看成两个AR(1)模型的叠加。
当ω1和ω2非复数时,ACF程混合指数衰减,如下图(a)
当ω1和ω2为复数时,ACF呈减幅的正弦/余弦图像衰减,如图(b), (c), (d).
这种情况很常见,也很重要,因为通常通过计算其波动周期确定对应序列的周期性。
6. 平稳性
AR(1):|ϕ1|<1|\phi_1|
AR(p):所有特征根的的模小于1
7. 参考文献
[1] MIT, Analysis of Financial Time Series
[2] https://en.wikipedia.org/wiki/Mean_reversion_(finance)
[3] 金融时间序列分析, Ruey S. Tray
金融时间序列分析:4. AR自回归模型相关推荐
- 金融时间序列分析:5. AR模型实例(Python)
0. 目录 金融时间序列分析:9. ARMA自回归移动平均模型 金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型 金融时间序列分析:6. AR模型实例 金 ...
- QuantitativeFinance:量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介、Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略
QuantitativeFinance:量化金融之金融时间序列分析之ES/ETS/GARCH模型的简介.Box-Jenkins方法-AR/MA/ARMA/ARIMA模型的简介及其建模四大步骤之详细攻略 ...
- 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 ...
- 金融时间序列分析:8. MA模型实例(Python)
0. 目录 金融时间序列分析:9. ARMA自回归移动平均模型 金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型 金融时间序列分析:6. AR模型实例 金 ...
- 金融时间序列分析:1. 基础知识
0. 目录 金融时间序列分析:9. ARMA自回归移动平均模型 金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型 金融时间序列分析:6. AR模型实例 金 ...
- 金融时间序列分析_写给你的金融时间序列分析:初级篇
1 前文回顾 前文--<写给你的金融时间序列分析:基础篇>--介绍了金融时间序列的核心特性:自相关性:说明金融时间序列分析的核心正是挖掘该时间序列中的自相关性.一个优秀的模型应该能够有效的 ...
- 金融时间序列分析:3. First Demo By Python
0. 目录 金融时间序列分析:9. ARMA自回归移动平均模型 金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型 金融时间序列分析:6. AR模型实例 金 ...
- 金融时间序列分析:7. MA滑动平均模型
0. 目录 金融时间序列分析:9. ARMA自回归移动平均模型 金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型 金融时间序列分析:6. AR模型实例 金 ...
- 金融时间序列分析: 10. ARMA模型实例(R,Python)
0. 目录 金融时间序列分析:9. ARMA自回归移动平均模型 金融时间序列分析:8. MA模型实例(Python) 金融时间序列分析:7. MA滑动平均模型 金融时间序列分析:6. AR模型实例 金 ...
最新文章
- linux正则表达式_号称“天书”的正则表达式,要这么来讲,我小学三年级已经满分了
- 一口气说出 4 种分布式一致性 Session 实现方式,面试杠杠的~
- jQuery学习笔记--目录
- Redis系列(十四)、Redis6新特性之RESP3与客户端缓存(Client side caching)
- [渝粤教育] 西南科技大学 经济数学2 在线考试复习资料
- 初级程序员为避免淘汰该怎么办?
- Intellij IDEA 构建Spring Web项目 — 用户登录功能
- 局部线性嵌入(LLE,Locally Linear Embedding)
- 【Codeforces Round #291 (Div. 2) D】R2D2 and Droid Army【线段树+二分】
- Java常用框架介绍
- 【数据挖掘】从“文本”到“知识”:信息抽取(Information Extraction)
- Android 开发推荐书籍
- 基本算法-回溯法(迷宫问题)
- 根据经纬度计算指定范围内或者附近的人(java)
- 【将xls批量转为xlsx】
- 红旗linux如何硬盘安装教程,硬盘安装红旗Linux教程
- vue+Element中append-to-body的使用
- 火山小视频伪原创怎么做
- 「代码家」的学习过程和学习经验分享(挺好的一篇文章,转载侵删)
- 平面设计师培训机构的课程都有哪些?平面设计课程内容。