金融时间序列的线性模型自回归.docx

1、金融时间序列的线性模型自回归金融时间序列的线性模型自回归R实例例2.3 setwd(C:/Users/Mr.Cheng/Desktop/课件/金融数据分析导论基于R/DataSets/ch2data)%设置工作目录 da=read.table(q-gnp4710.txt,header=T) head(da) Year Mon Dat VALUE1 1947 1 1 238.12 1947 4 1 241.53 1947 7 1 245.64 1947 10 1 255.65 1948 1 1 261.76 1948 4 1 268.7 G=da$VALUE LG=log(G) gnp=diff

2、(LG) dim(da)1 253 4 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(tdx2:253,gnp,type=l,xlab=year,ylab=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) m1Ca

3、ll:arima(x = gnp, order = c(3, 0, 0)Coefficients: ar1 ar2 ar3 intercept 0.4386 0.2063 -0.1559 0.0163s.e. 0.0620 0.0666 0.0626 0.0012sigma2 estimated as 9.549e-05: log likelihood = 808.56, aic = -1607.12 tsdiag(m1,gof=12)%模型检验 p1=c(1,-m1$coef1:3)%设置多项式方程的系数：1-0.438z-0.206z2+0.156z3=0 r1=polyroot(p1)%

4、解多项式方程得到特征根 r11 1.616116+0.864212i -1.909216-0.000000i 1.616116-0.864212i Mod(r1)%计算特征根的模1 1.832674 1.909216 1.832674 k=2*pi/acos(1.616116/1.832674)%计算周期 k1 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.

5、max partialacf resid method 11 series frequency call asy.var.coef print(mm1$aic,digits = 3)%查看mm1中的aic值，保留三位小数 0 1 2 3 4 5 6 7 8 9 10 11 77.767 11.915 8.792 4.669 6.265 5.950 5.101 4.596 6.541 0.000 0.509 2.504 12 2.057 aic=mm1$aic length(aic)1 13 plot(c(0:12),aic,type=h,xlab=order,ylab=aic)%画aic竖线图

6、 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 t11 1592.953 head(vw)1 0.000724 -0.033374 -0.064341 0.038358 0.012172 0.056888 t1(12/996)-1%折算回平均每年的回报1 0.09290084 模型的检验 vw=read.table(m-ibm3dx2608.txt,header=T),3 m3=arima(vw,order=c(3,0,0)

7、%用AR（3）拟合 m3Call:arima(x = vw, order = c(3, 0, 0)Coefficients: ar1 ar2 ar3 intercept 0.1158 -0.0187 -0.1042 0.0089s.e. 0.0315 0.0317 0.0317 0.0017sigma2 estimated as 0.002875: log likelihood = 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 0.053

8、6189 Box.test(m3$residuals,lag=12,type=Ljung)%检验残差的自相关函数，如果显示出额外的序列相关性，则应该考虑到这些相关性并进行扩展 Box-Ljung testdata: m3$residualsX-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 pv1 0.05992276 m3=arima(vw,order

9、=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）Warning message:In arima(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 m3Call:arima(x = vw, order = c(3, 0, 0), fixed = c(NA, 0, NA, NA)Coefficients: ar1 ar2 ar3 intercept 0.1136

10、0 -0.1063 0.0089s.e. 0.0313 0 0.0315 0.0017sigma2 estimated as 0.002876: log likelihood = 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) Box-Ljung testdata: m3$residualsX-squared = 16.828, df = 12, p-value = 0.

11、1562 pv=1-pchisq(16.83,10)%修正自由度（12-2） pv1 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： vw=read.table(m-ibm3dx2608.txt,header=T),3 m3=arima(vw,order=c(3,0,0),fixed=c(NA,0,NA,NA)Warning message:In arima(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 names(m3)

12、1 coef sigma2 var.coef mask loglik aic 7 arma residuals call series 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。Warning message:In m3$coef/sqrt(diag(m3$var.coef) : longer object length is not a multiple of shorter object length tratio ar1 ar2 ar3 intercept 3.630

13、1072 0.0000000 -62.0713895 0.2859641 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(i in 2:T)+ xi=po+p1*xi-1+ai p2=-.8 y=rep(0:T) for(i in 2:T)+ yi=po+p2*yi-1+ai par(mfcol=c(1,2) acf(x,lag=12) acf(y,lag=12)