金融时间序列的线性模型自回归Word格式.docx
- 文档编号:18128223
- 上传时间:2022-12-13
- 格式:DOCX
- 页数:9
- 大小:89.43KB
金融时间序列的线性模型自回归Word格式.docx
《金融时间序列的线性模型自回归Word格式.docx》由会员分享,可在线阅读,更多相关《金融时间序列的线性模型自回归Word格式.docx(9页珍藏版)》请在冰豆网上搜索。
G=da$VALUE
LG=log(G)
gnp=diff(LG)
dim(da)
[1]2534
tdx=c(1:
253)/4+1947%创建一个时间序列指数,从1947开始,每次增加一个季度,一共253个季度。
par(mfcol=c(2,1))画两行一列的小图
plot(tdx,LG,xlab='
year'
ylab='
GNP'
type="
l
plot(tdx[2:
253],gnp,type='
l'
xlab='
growth'
)
acf(gnp,lag=12)%画滞后12阶的对数增长率的自相关图
pacf(gnp,lag=12)%画滞后12阶的对数增长率的偏自相关图
m1=arima(gnp,order=c(3,0,0))%计算AR(3)
m1
Call:
arima(x=gnp,order=c(3,0,0))
Coefficients:
ar1ar2ar3intercept
0.43860.2063-0.15590.0163
s.e.0.06200.06660.06260.0012
sigma^2estimatedas9.549e-05:
loglikelihood=808.56,aic=-1607.12
tsdiag(m1,gof=12)%模型检验
p1=c(1,-m1$coef[1:
3])%设置多项式方程的系数:
1-0.438z-0.206z2+0.156z3=0
r1=polyroot(p1)%解多项式方程得到特征根
r1
[1]1.616116+0.864212i-1.909216-0.000000i1.616116-0.864212i
Mod(r1)%计算特征根的模
[1]1.8326741.9092161.832674
k=2*pi/acos(1.616116/1.832674)%计算周期
k
[1]12.79523
mm1=ar(gnp,method='
mle'
)%用AIC准则自动为AR(P)定阶,方法为极大似然估计
mm1$order%查看阶数
[1]9
names(mm1)%得到mm1的名字
[1]"
order"
"
ar"
var.pred"
x.mean"
aic"
[6]"
n.used"
order.max"
partialacf"
resid"
method"
[11]"
series"
frequency"
call"
asy.var.coef"
print(mm1$aic,digits=3)%查看mm1中的aic值,保留三位小数
01234567891011
77.76711.9158.7924.6696.2655.9505.1014.5966.5410.0000.5092.504
12
2.057
aic=mm1$aic
length(aic)
[1]13
plot(c(0:
12),aic,type='
h'
order'
aic'
)%画aic竖线图
lines(0:
12,aic,lty=2)%画aic连线图(虚线)
vw=read.table('
m-ibm3dx2608.txt'
header=T)[,3]%读取第3列数据
t1=prod(vw+1)%计算35年后的终值
t1
[1]1592.953
head(vw)
[1]0.000724-0.033374-0.0643410.0383580.0121720.056888
t1^(12/996)-1%折算回平均每年的回报
[1]0.09290084
●模型的检验
header=T)[,3]
m3=arima(vw,order=c(3,0,0))%用AR(3)拟合
m3
arima(x=vw,order=c(3,0,0))
0.1158-0.0187-0.10420.0089
s.e.0.03150.03170.03170.0017
sigma^2estimatedas0.002875:
loglikelihood=1500.86,aic=-2991.73
(1-.1158+.0187+.1042)*mean(vw)%计算phi(0)
[1]0.008967611
sqrt(m3$sigma2)%计算残差标准误
[1]0.0536189
Box.test(m3$residuals,lag=12,type="
Ljung"
)%检验残差的自相关函数,如果显示出额外的序列相关性,则应该考虑到这些相关性并进行扩展
Box-Ljungtest
data:
m3$residuals
X-squared=16.352,df=12,p-value=0.1756
pv=1-pchisq(16.35,9)%由上一步算得Q(12)=16.352,并且基于它所渐进服从的自由度为9(修正自由度12-2)的卡方分布,得到p值为0.06,因此在5%的显著水平下无法拒绝原假设
pv
[1]0.05992276
m3=arima(vw,order=c(3,0,0),fixed=c(NA,0,NA,NA))%改进模型:
由于间隔为2的AR系数在5%的水平下不显著,因此修改后的模型去除2阶滞后项。
(下面有补充计算)
Warningmessage:
Inarima(vw,order=c(3,0,0),fixed=c(NA,0,NA,NA)):
一些AR参数是固定的:
把transform.pars设成FALSE
arima(x=vw,order=c(3,0,0),fixed=c(NA,0,NA,NA))
0.11360-0.10630.0089
s.e.0.031300.03150.0017
sigma^2estimatedas0.002876:
loglikelihood=1500.69,aic=-2993.38
(1-.1136+.1063)*.0089%计算phi(0)
[1]0.00883503
sqrt(m3$sigma2)
[1]0.05362832
Box.test(m3$residuals,lag=12,type='
Ljung'
X-squared=16.828,df=12,p-value=0.1562
pv=1-pchisq(16.83,10)%修正自由度(12-2)
[1]0.07821131
%改进后的模型对数据的动态线性相依性的建模是充分的。
关于系数显著性的计算:
m3=arima(vw,order=c(3,0,0),fixed=c(NA,0,NA,NA))
names(m3)
coef"
sigma2"
var.coef"
mask"
loglik"
[7]"
arma"
residuals"
code"
n.cond"
[13]"
nobs"
model"
tratio=m3$coef/sqrt(diag(m3$var.coef))%diag函数用于提取对角线上的元素。
Inm3$coef/sqrt(diag(m3$var.coef)):
longerobjectlengthisnotamultipleofshorterobjectlength
tratio
ar1ar2ar3intercept
3.63010720.0000000-62.07138950.2859641
显著性取0.05时就把|t|和1.96(查正态分布表的0.975对应的值)比较,大于就显著,小于就不显著。
显著性取0.01时对比2.575,显著性取0.1时对比1.645.
画自相关函数
po=1
p1=0.8
T=5000
x=rep(0,T)%重复产生T个0的向量存储在x中。
a=rnorm(T)
for(iin2:
T)
+x[i]=po+p1*x[i-1]+a[i]
p2=-.8
y=rep(0:
+y[i]=po+p2*y[i-1]+a[i]
par(mfcol=c(1,2))
acf(x,lag=12)
acf(y,lag=12)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 金融 时间 序列 线性 模型 回归