2020版金融计量学：时间序列分析视角(第三版)教学ppt课件第7章第1节

Click to edit Master title style,Click to edit Master text styles,Second level,Third level,Fourth level,Fifth level,*,*,Dasfasdfasdffadsfas,单击此处编辑母版文本样式,第二级,第三级,asdfasdfasf,sdafasdfas,金融计量学,2020版金融计量学：时间序列分析视角(第三版)教学ppt课件第7章第1节,第,7,章 预测理论与应用,7.1,基本概念与预测初步,7.2,基于,MA,模型的预测,7.3,基于,AR,模型的预测,7.4,预测准确性度量指标,第7章 预测理论与应用,7.1,基本概念与预测初步,7.1.1,基本概念,预测集：,考虑一个时序变量,y,，拥有历史数据从,1,到,T,。假定没有任何其他信息，那么对,y,的未来预测所依据的信息集可以写成：,这种信息集称为单变量信息集。,7.1 基本概念与预测初步,如果还有其他变量,x,也影响,y,的未来走势，那么就形成多变量信息集，即：,预测期,预测期（,forecasting horizon,）是指当期与预测对应的日期之间的时间间隔。,预测分析中经常使用“向前,h,-,期预测”这样的表述，其中,h,就表示预测期。,预测期,图,7-1,预测期为,4,期的点预测,图7-1预测期为4期的点预测,最优预测,最优预测（,optimal forecast,）是指在给定信息集下，预测结果能够最小化预测损失（假定存在损失函数）。,在一般情况下，可以证明给定信息集下的条件期望就是最优预测，即,E(,y,T+h,|,T,),。,最优预测,7.1.2,预测初步：基于时间趋势模型的预测,（,1,）线性时间趋势模型,如果我们考虑变量,yt,对时间,t,进行计量回归，并且考虑带有常数项,c,，那么对应的线性时间趋势模型就是,7.1.2 预测初步：基于时间趋势模型的预测,其中,表示随机扰动项，暂时假设为独立同分布；,是回归模型的斜率系数，其正负决定了,y,是增长趋势还是减弱趋势序列，其大小决定了趋势序列的陡峭程度。另外，在模型中，,t,的取值完全和时间一一对应。在初始时点,t=1,，在第二个时点,t=2,，以此类推。如果样本为,T,，那么,t,的取值就是（,1,，,2,，,，,T-1,，,T,）。,其中表示随机扰动项，暂时假设为独立同分,图,7-2,基于不同参数取值的时间趋势序列,图7-2 基于不同参数取值的时间趋势序列,基于,EViews,的程序：,基于EViews的程序：,基于,GAUSS,的程序,：,基于GAUSS的程序：,图,7-3,美国平民劳动力人口与线性时间趋势模型拟合结果,图7-3 美国平民劳动力人口与线性时间趋势模型拟合结果,图,7-3,描绘了美国平民劳动力人口数量（,Civilian Labor Force,，以,CLF,表示）的原始序列，同时报告了以,CLF,作为因变量的线性时间趋势模型回归后（使用,OLS,回归）的拟合序列。,图7-3描绘了美国平民劳动力人口数量（,从图,7-3,中不难看出，,CLF,似乎可以大致用线性趋势模型来刻画其动态路径。从拟合结果来看，在,1980,年之后的区间内线性趋势模型对,CLF,的拟合程度相对之前更高。,从图7-3中不难看出，CLF似乎可以大致,图,7-4,（,2,）非线性时间趋势模型,图7-4（2）非线性时间趋势模型,图,7-4,描绘的从,1995,年,1,月至,2015,年,6,月上海证券交易所证券交易总额的月度时间序列，从中我们就看到非常明显的非线性走势。,图7-4描绘的从1995年1月至201,二次型时间趋势模型是非线性趋势模型中比较简单和常见的类型之一，其模型可以写成,因为上面的模型中时间趋势项的最高阶是二次方的形式，所以这样的模型称为二次型时间趋势模型。,二次型时间趋势模型是非线性趋势模型中比较,图,7-5,上交所证券交易总额与二次型时间趋势模型拟合结果,图7-5上交所证券交易总额与二次型时间趋势模型拟合结果,需要说明的是，单纯从拟合效果来判定模型设立形式并不一定是最合适的选择，因为计量模型设立的另外一个重要原则是简约（,parsimony,）。对于非线性时间趋势模型更是如此。,需要说明的是，单纯从拟合效果来判定模型,（,3,）基于时间趋势模型的预测分析,假定我们现在处于时刻,T,，我们的预测期是,h,，那么根据线性时间趋势模型，我们可以写出,h,期以后序列,y,的点预测值对应的表达式，即,（3）基于时间趋势模型的预测分析,实践中的预测结果实际上可以写成,实践中的预测结果实际上可以写成,获得了点预测值之后，还可以进一步计算其对应的置信区间。以,95%,的置信区间为例，置信区间上限界为 ，其中 表示回归模型中扰动项的标准差估计值。,获得了点预测值之后，还可以进一步计算其,上述过程以线性时间趋势模型为例，但对于非线性时间趋势模型，我们仍然可以用类似的过程来进行预测。,上述过程以线性时间趋势模型为例，但对于非,7.2,基于,MA,模型的预测,MA(2),模型,可以写成,其中,WN,表示“服从正态分布的白噪音”，即“高斯白噪音”（,Gaussian white noise,）。,7.2 基于MA模型的预测,T+1,时刻的点预测值就可以写成,继续对,T+2,期进行预测,T+1时刻的点预测值就可以写成,依此类推的话，对于,T+2,期以上（我们用,T+h,表示）的点预测值应该都为,0,，即,预测误差就是指实际值与预测值之间的差，即,依此类推的话，对于T+2期以上（我们用T+h表示）的点,从,T+1,时刻开始一直到,T+h,时刻对应的预测误差分别可以写成如下形式：,从T+1时刻开始一直到T+h时刻对应的预测误差分别可以,进一步得到预测误差对应的方差表达式，即,进一步得到预测误差对应的方差表达式，即,对于如下形式的,MA,（,q,）过程,对于如下形式的MA（q）过程,对于,hq,的情形，,y,的点预测值则变成,对于hq的情形，y的点预测值可以写成如下形式（类似,对于无穷阶,MA,过程,其中，,对于无穷阶MA过程,2020版金融计量学：时间序列分析视角(第三版)教学ppt课件第7章第1节,从而，,从而，,7.3,基于,AR,模型的预测,AR(1),可以写成,7.3 基于AR模型的预测,从以上过程我们可以看出，基于,AR,模型的预测，实质上是运用了所谓的“链式法则”（,Chain Rule,），一环一环地套下去，可以获得未来任意一期的预测值。,从以上过程我们可以看出，基于AR模型的预,将,AR,（,1,）写成,MA(),的形式，即，,对比得出，,将AR（1）写成MA()的形式，即，,可以得到,AR(1),模型对应的预测误差项的方差及其标准差表达式,可以得到AR(1)模型对应的预测误差项的方差及其标准,表,7-1,预测准确度的常用度量指标,7.4,预测准确定的度量指标,表7-1 预测准确度的常用度量指标7.4 预测准确定的度,