金融百科  > 所属分类  >  债券类型   
[0] 评论[0] 编辑

ARMA模型

ARMA模型概述
  ARMA 模型(Auto-Regressive and Moving Average Model)是研究时间序列的重要方法,由自回归模型(简称AR模型)与滑动平均模型(简称MA模型)为基础“混合”构成。在市场研究中常用于长期追踪资料的研究,如:Panel研究中,用于消费行为模式变迁研究;在零售研究中,用于具有季节变动特征的销售量、市场规模的预测等。
">编辑] ARMA模型三种基本形式
  1.自回归模型(AR:Auto-regressive);
  自回归模型AR(p):如果时间序列yt满足y_t=\phi_1 y_{t-1}+\ldots+\phi y_{t-p}+\epsilon_t
  其中εt是独立同分布的随机变量序列,且满足:
  Et) = 0  Var(\epsilon_t)=\sigma^2_\epsilon>0
  则称时间序列为yt服从p阶的自回归模型。或者记为φ(B)yt = εt
  自回归模型的平稳条件:
  滞后算子多项式\phi (B)=1-\phi_1(B)+\ldots+\phi_p B_p的根均在单位圆外,即φ(B) = 0的根大于1。
  2.移动平均模型(MA:Moving-Average)
  移动平均模型MA(q):如果时间序列yt满足y_t=\epsilon_t-\theta_1\epsilon_{t-1}-\ldots-\theta_q\epsilon_{t-q}
  则称时间序列为yt服从q阶移动平均模型;
  移动平均模型平稳条件:任何条件下都平稳。
  3.混合模型(ARMA:Auto-regressive Moving-Average)
  ARMA(p,q)模型:如果时间序列yt满足:y_t=\theta_1y_{t-1}+\ldots+\theta_p y_{t-p}+\epsilon_t-\theta_1\epsilon_{t-1}-\theta_q\epsilon_{t-q}
  则称时间序列为yt服从(p,q)阶自回归滑动平均混合模型。或者记为φ(B)yt = θ(Bt
  特殊情况:q=0,模型即为AR(p),p=0,模型即为MA(q),
ARMA模型的基本原理
  将预测指标随时间推移而形成的数据序列看作是一个随机序列,这组随机变量所具有的依存关系体现着原始数据在时间上的延续性。一方面,影响因素的影响,另一方面,又有自身变动规律,假定影响因素为x1,x2,…,xk,由回归分析,
  Y=\beta_0+\beta_1 x_1+\beta_2 x_2+\ldots+\beta_k x_k+e
  其中Y是预测对象的观测值, e为误差。作为预测对象Yt受到自身变化的影响,其规律可由下式体现,
  Y_t=\beta_0+\beta_1 x_{t-1}+\beta_2 x_{t-2}+\ldots+\beta_p x_{t-p}+e_t
  误差项在不同时期具有依存关系,由下式表示,
  e_t=\alpha_0+\alpha_1 e_{t-1}+\alpha_2 e_{t-2}+\ldots+\alpha_q e_{t-q}+\mu_t
  由此,获得ARMA模型表达式:
  Y_t=\beta_0+\beta_1 x_{t_1}+\beta_2 x_{t-2}+\ldots+\beta_p x_{t-q}+\alpha_0+\alpha_1 e_{t-1}\alpha_2 e_{t-2}+\ldots+\alpha_q e_{t-q}+\mu_t
参考文献
  1. ↑ 徐国祥,马俊玲.《统计预测和决策》学习指导与习题.上海财经大学出版社.ISBN:7-81098-492-6.2005


附件列表


0

词条内容仅供参考,如果您需要解决具体问题
(尤其在法律、医学等领域),建议您咨询相关领域专业人士。

如果您认为本词条还有待完善,请 编辑

上一篇 返偿期限    下一篇 B级债券

相关标签

热门标签