1、平稳性判定(只需要看序列图和自相关图即可),其用途体现在建模前,决定数据预处理步骤。
①、时间序列无明显的周期性或趋势性。(自相关图拖尾与缓慢下降有何联系与区别?)
if( ① ): ②、若自相关系数很快衰减到0,则序列平稳,同时随机性不强。(k阶截尾表示X(t)与X(t-k)含有一定的关系:短期自相关,k要尽可能小。)
若自相关系数一开始便始终处于2倍标准差内波动,则序列平稳,同时具有较强随机性。
若自相关系数长期为同一符号,则具有一定趋势性。
若呈三角函数曲线变化,则有一定周期性。
2、对于纯随机性检验,常也可以使用ACF和PACF并观察图像获得,但两者均只考虑是否存在某一特定滞后阶数的相关。而LB检验是基于一些列滞后阶数,判断序列总体的相关性或者随机性是否存在。其用途体现在建模前和建模后,建模前是判断原始序列是否具有随机性,若随机则无法分析,若不随机则开始建模。建模后则是判断残差是否随机,对于方差齐性假设的ARIMA模型,如果残差随机则表示模型已提取全部相关组分,模型有效,若不随机则模型无效。
3、偏自相关系数是在AR(p)模型的介绍中引入的,是给定X(t-1),.....,X(t-k+1)的情况下,考察X(t)和X(t-k)的关系。AR(p)模型自相关系数拖尾,偏相关系数p阶截尾,都是由AR模型中引出。
4、通过2中的论述,引出了MA(q)模型自相关系数q阶截尾,偏自相关系数拖尾。(对MA模型还不是很理解,需要加强!尤其是可逆性的作用?)
5、AR(p)模型讲求平稳性,MA(q)模型讲求可逆性。ARMA(p,q)模型的平稳性由AR部分决定,可逆性由MA部分决定。
6、因为ARMA(p,q)自相关系数不截尾,其可以转化为无穷阶MA模型(传递形式),同时偏自相关系数不截尾,其可以转化为无穷阶AR模型(逆转形式)。因此,若自相关系数拖尾,偏自相关系数拖尾,则可以采用ARMA模型拟合。
7、ARIMA(p,d,q)模型是指d阶差分后自相关最高阶数为p,表示为自回归项(AR模型部分),移动平均项最高阶数为q的模型(MA模型部分)。
8、时序模型在分析之余,略有点套的嫌疑,尤其是自相关系数与偏相关系数均不太稳定时,疏系数ARIMA模型建模时尤其如此。正如回归分析采用枚举的方法找最大相关因子一样,目前所接触的统计方法中大抵如此。
9、在时序分析中,采用ACF和PACF指标对模型定阶并无统一标准,主观性成分巨多同时不好程序化。因此,目前多采用AIC、BIC等统计量对模型定阶。即,采用枚举的方法拟合所有模型,而后分别计算AIC,选取具有最小AIC的模型即可。
10、自相关系数与偏自相关系数2倍标准差的来历:从直观上,通过ACF和PACF定阶存在一定困难,不会理论上完美截尾。有理论证明,当样本容量n充分大时,样本自相关系数与样本偏自相关系数近似服从正态分布,因此有了2倍标准差范围的判断来历。(平稳序列建模 -> 模型识别)
11、个人认为无必要刻意去追求构建ARIMA模型,只需将差分后的序列视作一个时间序列,了解它的内涵,预测时有所注意即可。
12、方差齐性假设采用ARIMA模型,异方差则采用GARCH模型。但建模前后均要LB检验模型是否符合原假设。
13、GARCH建模流程。
first、《GeneralizedAutoregressive Conditional Heteroskedasticity》
second、《Matlab Garch Toolbox》
13.1、首先利用Engle'sARCH test对ARCH效应进行检验,检验是否存在异方差,调用函数[H, pValue, ARCHstat, CriticalValue] = archtest (Residuals, Lags,Alpha)。如果H = 1,则说明存在异方差。当然,也可采用Ljung-Box Q统计量检验的方法(调用MATLAB函数lbqtest)。
13.2、构建模型,分别调用garchset、garchfit等函数。其中garchset的VarianceModel可以考虑'GARCH'、'EGARCH'、'GJR'等,EGARCH模型采用了GED分布(GARCH采用正态分布),GJR模型在条件方差方程中加入负冲击的杠杆效应,但仍采用正态分布假设。
13.3、模型预测和模拟,对应函数分别是garchpred、garchsim(模型模拟常用到的是Monte Carlo Simulation),garchpred得到的MeanForecast是预测值,garchsim得到的mean(Series_Sim,2)是模拟值。
13.4、对GARCH、GJR等不同模型的效果进行评价,可以利用似然比检验(likelihood ratio test)、赤池信息准则(AIC)/贝叶斯信息准则(BIC)等进行,对应的函数分别为lratiotest、aicbic。