2020版金融计量学:时间序列分析视角(第三版)教学课件第2章第1节

合集下载

时间序列计量模型讲义

时间序列计量模型讲义

ADF检验是通过如下三个模型完成的
(1)
(8.20)
(2)
(8.21)
(3)
(8.22)
模型(3)中t是时间变量。原假设都是
,即存在单位根。ADF检验的 原理与DF检验相同,模型不同时,检验 临界值亦不同。实际检验时,首先对模 型(3)进行单位根检验,然后模型(2 )、模型(1)。在此过程中,只要“不 存在单位根”的结论出现,检验就结束 。否则就一直检验到模型(1)。
该方法采用OLS法估计式(8.11),计算 t 统计量的值,与DF分布表中给定显著 性水平下的临界值比较。如果 t 统计量
的值小于临界值(左尾单侧检验),就 意味着ρ足够小,拒绝原假设:ρ=1,判别 时间序列Yt不存在单位根,是平稳的。
Dickey和Fuller研究认为DF检验的临 界值与数据序列的生成过程以及回归 模型的类型有关。因此,他们针对以 下三种模型编制了DF分布表。
趋势平稳随机过程。
对于具有随机性趋势的时间序列{Yt}可 表示为
(8.25)
如果式(8.25)中的vt是平稳的,则
平稳过程。
是平稳的,称{Yt}为差分
对于经济预测而言,趋势平稳过程的预 测是可靠的,而差分平稳过程的预测则 是靠不住的。
第三节 时间序列模型
利用平稳时间序列进行时间序列分析就 是建立恰当的时间序列模型并利用模型 进行预测。时间序列模型不同于经典回 归模型,建立模型的依据不是据不同变 量之间的因果关系,而是通过对时间序 列的分析寻找时间序列自身的变化规律 。在进行预测时则是依据时间序列的过 去值预测未来值。
表8.3 时间序列单整性检验表
变量
ADF检 显著性 临界值 验值 水平
检验结 果
X二次差分 -4.902 5% -3.712 平稳 Y二次差分 -4.305 5% -3.712 平稳

2020版金融计量学:时间序列分析视角(第三版)教学课件第15章第1节

2020版金融计量学:时间序列分析视角(第三版)教学课件第15章第1节
(8)投资者对市场中的经济变量有相 同的预期,所以他们对任意资产的预 期收益率、方差和资产之间的协方差 等都有一致的看法。
CAPM假设的核心是认为市场满足 完全、无摩擦和信息完全对称的条件 ,市场中的投资者为具有马柯维茨理 论中所描述特征的理性经济人。
i
Cov(ri , rm )
2 m
15.1.2 证券市场线
无套利定价模型(APT)假设比较 宽松,而且不需要像CAPM那样依赖市 场组合。APT的成立应包括以下假定条 件:投资者有相同的预期;投资者规 避风险并追求效用最大化;完美市场 。它没有CAPM成立所需要的无税收和 无风险利率借贷等假设。
APT的资产定价公式
E(ri ) 0 1bi1 2bi2 kbik
ri rf i (rm rf ) i
在式中再加入一个截距项得到,
ri rf i i (rm rf ) i
ri rf i i (rm rf ) i
如果CAPM成立,则i 应为零且 i 显
著不为零,所以实证结果的关键是 i
和 i 显著性检验。
15.2.2 布莱克-詹森-斯科尔斯( Black-Jenson-Scholes)方法
在一般均衡框架下获得的证券市场线
(Security Market Line, SML)是CAPM理 论的核心结论,其形式如下 :
i
Cov(ri , rm )
2 m
组其合中的,E预(ri )期、收E(r益m )分率别,是rf 某是资无产风和险市收场益 率。
图15-1 证券市场线
E(r)
SML
rf
β
如图15-1,证券市场线描述了预
(4)存在一种无风险利率,投资者在此 利率水平下可以无限制地贷出和借入任 意数量的资金。

2020版金融计量学:时间序列分析视角(第三版)教学课件第2章第1节

2020版金融计量学:时间序列分析视角(第三版)教学课件第2章第1节

5)描述性统计量
让我们对感兴趣的变量进行初步的描述性统计,使用 summarize命令:
. summarize price rep78
Variable | Obs Mean Std. Dev. Min Max
-------------+-----------------------------------------------------------------------------------
13
如果数据量不大,更快捷的一种 导入数据的方式就是拷贝与粘贴。例 如,可以直接拷贝待使用的数据,然 后粘贴到工作文档中的相应对象中。 如果在工作文档中尚未建立相应的对 象,需要首先利用上文介绍的方法创 建对象,然后粘贴数据。
5) 绘制图示
15
6)回归分析
在了解了EViews的工作文档建立和 数据导入等知识后,就可以进行初步 的计量回归分析了。假定当前工作文 档中含有两个变量序列,分别示"y" 和"x"。如果我们想要使用"y"对"x"回 归,即:
file=SpreadsheetReadM("realactivitydata","b3: b189",1 );
►你的excel文件中b3到b189(sheet1中)的数据 将被导入到GAUSS中。如果你的数据是以*.dat 形式存储的,那么你可以非常方便的使用下面的 语句来导入数据:
data=loadd(“C:\gauss8.0\data.dat”);
4) STATA的数据导入
Stata有一些系统自带的样本数据,我们现在导入 其中一个自带样本auto.dta数据,使用命令 sysuse auto(sysuse命令同样可以后缀一些选项, 例如sysuse auto, clear,具体内容读者可以查阅 help sysuse),该数据包含了美国1978年的汽车 销售相关数据。 我们可以通过sysuse dir命令来 查看所有Stata自带数据包,如果想了解某个数据 样本包含的具体内容,可以通过describe命令查 看。(正如读者所见,有d有下划线,意味着读者 可以通过只输入一个字母d来代替整个describe命 令)

金融时间序列分析 时间序列分析基础 ARMA建模过程PPT课件

金融时间序列分析  时间序列分析基础 ARMA建模过程PPT课件
E[et (l)] 0
l 1
Var[e/共77页
AR(p)序列的预测
• 预测值
• 预测方差
xˆ(l) 1xˆt (l 1) pxˆt (l p)
Var[et
(l)]
(1
G12
Gl21
)
2
• 95%置信区间
xˆt (l)
z1 1 G12 2
G2 l 1
第10页/共77页
序列自相关图
第11页/共77页
序列偏自相关图
第12页/共77页
拟合模型识别
• 自相关图显示延迟3阶之后,自相关系数全部衰减到2倍标准差范围内波动,这表明序列明显地短期相关。 但序列由显著非零的相关系数衰减为小值波动的过程相当连续,相当缓慢,该自相关系数可视为不截尾
• 偏自相关图显示除了延迟1阶的偏自相关系数显著大于2倍标准差之外,其它的偏自相关系数都在2倍标准差 范围内作小值随机波动,而且由非零相关系数衰减为小值波动的过程非常突然,所以该偏自相关系数可视 为一阶截尾
模型显著有 效
P值 <0.0004 <0.0001
结论 显著 显著
第40页/共77页
模型优化
• 问题提出 • 当一个拟合模型通过了检验,说明在一定的置信水平下,该模型能有效地拟合观察值序列, • 但这种有效模型并不是唯一的。
• 优化的目的 • 选择相对最优模型
第41页/共77页
例 : 拟合某一化学序列
拟合模型二
• 根据偏自相关系数1阶截尾,拟合 AR(1) 模型 • 参数估计
yield t
51.26169
t
1 0.42481B
• 模型检验 • 模型显著有效 • 两参数均显著

2020版金融计量学:时间序列分析视角(第三版)教学课件第3章第1节

2020版金融计量学:时间序列分析视角(第三版)教学课件第3章第1节
1
无论是脉冲响应函数还是累积脉
冲响应函数,其根本特性都由一阶滞
后项系数 决定。
图3.3(a)
0.8 0.4 0.0 -0.4 -0.8
0
5
10
15
20
(a) 0.3
图3.3(b)
0.8 0.4 0.0 -0.4 -0.8
0
5
10
15

20
(b) 0.8
图3.3(c)
1.2 0.8 0.4 0.0 -0.4 -0.8
金融计量学
第三章 差分方程、滞后运算与 动态模型
3.1 一阶差分方程 3.2 动态乘数与脉冲响应函数 3.3 高阶差分方程 3.4 滞后算子与滞后运算法
2
3.1 一阶差分方程
3.1.1 差分方程的定义
yt yt1 t (3.1)
一个差分方程就是指将一个变量的 当期值定义为它的前一期和一个当期 的随机扰动因素的函数。模型(3.1) 等式的右侧只有因变量的一次滞后期 出现,这样的差分方程称为一阶差分 方程。
0
5
10
15
20
(c) 1.0
图3.3(d)
40 30 20 10
0 -10
0
5
10
15
20
(d) 1.2
图3.3(e)
1.2 0.8 0.4 0.0 -0.4 -0.8 -1.2
0
5
10
15
20
(e) 0.8
图3.3(f)
40 30 20 10
0 -10 -20 -30 -40
0
5
10
15
20
(f) 1.2
图3-3非常清晰地显示出,不同的

2020版金融计量学:时间序列分析视角(第三版)教学课件第10章第1节

2020版金融计量学:时间序列分析视角(第三版)教学课件第10章第1节

y1t y2t
c1 c2
11 21
12 22
y1,t 1 y2,t 1
1t 2t
c1 c2
11 y1,t1 21 y1,t1
y 12 2,t1 y 22 2,t1
1t 2t
E
(
t
t)
E(12t ) E( 2t 1t
)
E(1t 2t
E
(
2 2t
E(Yt )(Yt j ) j
其中,
定义的是
j
Yt
在第
j
期的自协方差矩阵。
对于一个VAR模型,其平稳条件是 (z) n 1z 2 z2 p z p 0 的根落在单位圆外,其中 表示行列式符号。? 同样地,平稳条件也可以表述为
n p 1 p1 2 p2 p 0
的根落在单位圆内。
略了y1t 和 y2t 之间的互动关系,整个VAR模
型是一个互动的动态系统!
另一个例子,
y1t y2t
0.9 0.1
0.1 0.8
y1,t 1 y2,t 1
1t 2t
1 0.9z 0.1z
(z) n 1z 0.2z
0 1 0.8z
(1 0.9z)(1 0.8z) 0.02z2 0
iti i0
因为 (n L)1 n L 2L2
2)VAR(p) 模型的转化
Yt FYt1 Vt (np FL)Yt Vt
Yts Vts FVts1 F 2Vts2
F
V s1 t
1
FYt
Yt
这个向量系统的前
s
n
行可以写成:
Yts ts 1 ts1 2 ts2
估计方法
Yt C 1Yt1 2Yt2 Yp t p t

金融计量学课件PPT第2章最小二乘法和线性回归

金融计量学课件PPT第2章最小二乘法和线性回归
变量取值范围内。
为了提高预测精度,可以对模型 进行优化和调整,例如添加或删 除自变量、使用交叉验证等技术

04
CATALOGUE
最小二乘法和线性回归在金融中的应用
股票价格预测
总结词
通过最小二乘法和线性回归,可以对股票价格进行预测,帮助投资者做出更明 智的投资决策。
详细描述
利用历史股票数据,通过最小二乘法和线性回归分析股票价格的时间序列数据 ,建立预测模型。根据模型预测结果,投资者可以判断未来股票价格的走势, 从而制定相应的投资策略。
金融计量学课件ppt 第2章最小二乘法和 线性回归
目录
• 引言 • 最小二乘法 • 线性回归 • 最小二乘法和线性回归ALOGUE
引言
课程背景
金融市场日益复杂
01
随着金融市场的日益复杂,投资者和决策者需要更精确的定量
分析工具来评估投资机会和风险。
金融数据的特点
缺点
对异常值敏感,容易受到离群点的影 响;假设数据符合线性关系,对于非 线性关系的数据表现不佳;无法处理 分类变量和交互项。
03
CATALOGUE
线性回归
线性回归的定义
线性回归是一种通过最小化预测误差 平方和来建立变量之间线性关系的统 计方法。
线性回归模型通常表示为:Y = β0 + β1X1 + β2X2 + ... + ε,其中Y是因 变量,X1、X2等是自变量,β0、β1 等是回归系数,ε是误差项。
02
金融数据具有时序性和波动性,通过计量经济学方法可以对这
些数据进行有效的分析和预测。
最小二乘法和线性回归在金融领域的应用
03
最小二乘法和线性回归是金融计量学中常用的基础分析方法,

2020版金融计量学:时间序列分析视角(第三版)教学课件第4章第1节

2020版金融计量学:时间序列分析视角(第三版)教学课件第4章第1节

4.2.4 AR(1)过程的自协方差 与自相关函数
j E[ yt ][ yt j ]
E[t
t1
2 t2
][t
j
t
j 1
2 t
j2
]
j
E[t2
j
]
j
2
E[
2 t
j 1 ]
j
4
E[
2 t
j2
]
j (1 2 4 ) 2
1
2
2
j
j
j 0
j
所以,1 ,而对于 ,其取值越 靠近于1,则暗示 yt 序列相邻观测值之间 的相关性越强。很明显,平稳AR(1)过
差,即“自身的协方差”。常见的协方 差的基本定义是:
Cov(X ,Y ) E X E(X )Y E(Y )
其中:E[ ] 表示期望。从而可以知道,yt
与其自身滞后j期 yt j之间的协方差定义
为: j E yt E( yt ) yt- j E( yt- j ) , j 0, 1, 2,
如果, 1
yt
c
1
t
t1 2t2
因此, AR(1)实际上是一个无穷阶移动平均
过程 。
4.2.2 AR(1)过程的均值
E[ yt
]
c
1
0
0
c
1
4.2.3 AR(1)过程的方差
0
E[ yt
]2
E[t
t1
2 t2
]2
E[
2 t
]
2
E[
2 t 1
]
4
E[
2 t2
]
6
E[
2 t 3
]
(1 2 4 6 ) 2

2020版金融计量学:时间序列分析视角(第三版)教学课件第3章第2节

2020版金融计量学:时间序列分析视角(第三版)教学课件第3章第2节

yt j
t
f (j
11
)
,
j 0,1,
其中:f1(1j) 为矩阵F j 的第1行第1列位置
上的元素。一旦动态乘数的解析表达
式求解出来了,对应的p阶差分方程的
脉冲响应方程就可以很容易获得了。
3.4 滞后算子与滞后运算法 3.4.1 滞后算子定义与性质 滞后算子以英文单词“lag”的大 写首字母L表示,基本的运算规则如下:
即,Yt FYt 1 et
通过反复迭代,可以得到:
Yt
F
t
Y 1 1
F
t
e0
F
e t 1 1
Fet1 et
yt
y1 0
1
yt1
y2
0
0
yt 2
F
t
1
y3
F
t
0
Hale Waihona Puke Ft10
yt( p1)
yp 0
0
t1 t
0
0
F 0 0
一阶差分方程可以拓展到二阶以及更高阶的差分方程为方便起见把高于一阶的差分方程统一称为高阶差分方要从高阶向一阶转化首先定义几个常用矩阵
yt 1 yt1 2 yt2 p yt p t
3.3 高阶差分方程 一阶差分方程可以拓展到二阶以及
更高阶的差分方程,为方便起见,把高 于一阶的差分方程统一称为高阶差分方 程。假设差分方程的阶数为p,则p阶差 分方程的一般表达式可以写成:
yt
= (LLpp(xt +Lq y)ty)t
滞后算子运算还符合标准的“结合律” 与“交换律”等如下运算法则: (1) L0 1 (2)对任何常数A取滞后运算还等于原 常数,即 Lp A = A。 (3)结合与分配律,即

金融时间序列分析——第2周

金融时间序列分析——第2周

DATAGURU专业数据分析社区 金融时间序列分析 讲师 何翠仪
期望
对于连续型随机变量X,有概率密度函数f(x),则定义∞ຫໍສະໝຸດ ������ ������ =
������ ������ ������������
−∞
为X的数学期望。
DATAGURU专业数据分析社区 金融时间序列分析 讲师 何翠仪
方差
低成本获取高端知识 技术成就梦想
炼数成金

DATAGURU专业数据分析社区 金融时间序列分析 讲师 何翠仪
Thanks
FAQ时间
DATAGURU专业数据分析社区 金融时间序列分析 讲师 何翠仪
为随机变量X与Y的相关系数
DATAGURU专业数据分析社区 金融时间序列分析 讲师 何翠仪
随机游动
随机游动
对于所有的t
DATAGURU专业数据分析社区 金融时间序列分析 讲师 何翠仪
随机游动
DATAGURU专业数据分析社区 金融时间序列分析 讲师 何翠仪
平稳性
严平稳
弱平稳:

– –
������������������ ������������ ,������������ ������������������(������������ )������������������(������������ )
= ������ ������������ ������������ − ������������ ������������ , ������, ������ =
若时间序列{������������ }是弱平稳时间序列,满足������������ = ������ +
������ ������=0 ������������ ������������−������ ,其中������0

2020版金融计量学:时间序列分析视角(第三版)教学课件第12章第1节

2020版金融计量学:时间序列分析视角(第三版)教学课件第12章第1节

(12.21)
如果能验证c 0, 1 1 ,并且 t 为平
稳时间序列,则问题得到验证。
可以看出,这是一个典型的长期均
衡问题,即协整关系问题。根据设计,
我们构造了序列 ft next ptUK ,构造出来 的变量图示描绘在图12-6中。
图12-6英国物价的
美元价值nex变量时序图
0.75 nex
对于n个非平稳序列的误差修正
模型,可以直观地进行拓展。如果将n
个变量写成矩阵的形式,即:
X t (x1t x2t
xnt ) (12.13)
类似地,将涉及的扰动项和系数
等均表示成矩阵的形式,那么,向量
形式的误差修正模型可以写成:
Xt C0 et1 (L)Xt1 (t 12.14)
12.2 Engle-Granger 协整分析方法
yt 1.5 yt1 ut , ut NID(0,1) xt 1.2 xt1 vt , vt NID(0,1) (12.2) 其中:ut NID(0,1) 表示服从正态一致性分 布、均值为0、方差为1的随机扰动项。
图12-1模型(12.2)随机生
成的带截距项的随机游走过 程
350
300
表12-8 模型(12.21)对应 的残差项单位根检验结果
12.3 向量ADF模型与协整分析
12.3.1 向量形式的ADF模型
对于向量形式的自回归模型,即 VAR(p)模型:
(L)Yt C t (12.25)
对于多个非平稳时间序列,有一种 特殊的情况,就是由这几个非平稳时间 序列变量的线性组合形成的变量,是平 稳的序列。在这种情况下,我们说这些 非平稳时间序列存在协整关系。
假定我们研究两个时间序列变量,

《时间序列》PPT课件 (2)

《时间序列》PPT课件 (2)
根据微积分的极值原理,有
Q Q ba22([1al)gyi[l(gyliga(tligalgbt)i](lgbtbi))]00
精选ppt
36
一次指数曲线法
lg yi N•lg alg b• ti tilg yi lg a• ti lg b• ti2
解此联立方程,可以得到
精选ppt
37
▪ 时间序列预测法也叫历史延伸法或外推法。
▪ 时间序列预测法的基本特点是:
假定事物的过去趋势会延伸到未来;
预测所依据的数据具有不规则性;
撇开了市场发展之间的因果关系。
精选ppt
3
从回归分析法的角度看,时间序列分析法
实际上是一种特殊的回归分析法,因为此时
不再考虑事物之间的因果关系或其他相关关 系,而仅考虑研究对象与时间之间的相关关
ti=??,
ti=23, 可得预测值为
y073.5 7 509 .2 3 2 32101
精选ppt
23
一次曲线
为了衡量所得的回归方程与实际值的偏 离程度,引入不一致系数u。
u
ei2
Q
yi2
yi2
式Q 中
(yi yi)2
ei2剩余平方和
不一致系数u值越小,说明所得的拟合曲 线(回归方程)与实际值倾向线的偏差越
具有均匀时间间隔的各种社会、自然现象的 数量指标依时间次序排列起来的统计数据。
时间序列分析法是通过对历史数据变化的分
析,来评价事物的现状和估计事物的未来变 化。这种方法在科学决策、R&D和市场开拓 活动中的许多场合有广泛的应用,如市场行
情分析、产品销售预测等。
精选ppt
2
▪ 时间序列预测法是一种定量分析方法,它是在时 间序列变量分析的基础上,运用一定的数学方法 建立预测模型,使时间趋势向外延伸,从而预测 未来市场的发展变化趋势,确定变量预测值。

2020版金融计量学:时间序列分析视角(第三版)教学课件第12章第2节

2020版金融计量学:时间序列分析视角(第三版)教学课件第12章第2节
的形式)。
调整系数矩阵A就是一个 31的向 量,从而对应的VECM形式可以写成:
y1t a1
1t
y2t
a2
Zt
1
2t
y3t a3
3t
(12.52)
a1
y1,t1 1t
a2
1
b1
b2
y2,t
1
2t
a3
y3,t1 3t
12.5 确定性趋势与协整分析
在VAR模型中是否包含常数项,可 以影响到协整检验的分析。所以,在大 部分情况下,我们需要明确选择是否在 VECM模型中加入常数项。为了将核心的 问题讲清楚,我们使用VAR(1)模型来讨 论向量协整分析中的确定性趋势设立问 题。
1)两个变量的VAR(1)模型的VECM
y1t y2t
0.4 0.2
1.5 1.5
y1,t 1 y2,t 1
1t 2t
在这个例子中,
0.6 1.5 0.2 0.5 使y1t的系数为1。这样,就可以定义 Zt y1t 2.5 y2t 为平稳的协整变量。
因此,AZt1 ABYt1促使Yt 增加或者减 少,从而使得BYt 朝着它的长期均值移动 (长期均值为0,为什么?)。这种增加或者
y2t 0.2( y1,t1 2.5y2,t1) 2t
2) 3个变量的VAR(1)模型与VECM
VAR模型的ADF形式,即:
Yt Yt1 t
或者写成:
y1t 11 12 13 y1,t1 1t
y2t
21
22
23
y2,t
1
2t
y3t 31 32 33 y3,t1 3t (12.50)
Johansen协整分析过程中,第一 步也是最重要的一步,就是检验协整 关系的个数。在检验协整关系个数的 同时,又会获得协整向量的估计结果 (矩阵B)。这样,就得到矩阵 Zt 的元 素,从而进一步得到VECM系统(12.43) 的估计结果。

2020版金融计量学:时间序列分析视角(第三版)教学课件第1章

2020版金融计量学:时间序列分析视角(第三版)教学课件第1章
其中: 为联合分布函数中的参数。假定 X与Y的联合概率密度函数 fx,y (x, y;) , 并且严格有定义,则有:
xy
FX ,Y (x, y;) fx,y (w, z;)dzdw
与联合分布相对的概念是边际分布。 例如,X的边际分布可以通过将联合分 布中与X不相关的赋值设为 来获得:
FX (x;) FX ,Y (x, , , ;)
中国人民银行经作者计算从这几幅图中可以看到不同的金融时间序列变量展示出各种各样的变动轨迹经济学者经常把金融时间序列变量的这种随时间变化的轨迹称为动态路径其中动态一词的含义实质上就是指随时间变化简单净收益率simplenetreturn
金融计量学
第一章 金融计量学初步
1.1 金融计量学的范畴 1.2 金融时间序列数据 1.3 金融计量分析中的基本概念
从具体内容上看,金融计量学涵 盖了宏微观金融理论检验、资本资产 定价、金融变量相关关系的假设检验 、经济状态对金融市场的影响分析以 及金融变量预测等多方面的内容。
1.2 金融时间序列数据 广义地讲,将某种金融随机变量
按出现时间的顺序排列起来称为金融 时间序列。
从现实世界的角度看,金融时间 序列就是指在一定时期内按时间先后 顺序排列的金融随机变量。
1.3.2 随机变量与随机过程 例如: yt c xt t t N (0, 2 )
其中:t N (0, 2 )表示t服从均值为0、 方差为 2的正态分布。注意,在很多教
材中,经常把正态分布也称为高斯分布 (Gaussian distribution)。
随机变量:
yt c xt t , t N (0, 2 )
当X是一个一维的随机变量而不是 向量形式时,边际分布的定义就成为下 面常见的形式:

金融时间序列分析第二章

金融时间序列分析第二章

rh 1 ˆh 1 r ˆh 1 E rh1 Fn min E rh 1 r
ˆh 1 r ? 2
MSE
rh 1 c0 ah 1 1ah E ah Fh ah ˆh 1 E rh 1 Fh c0 1ah r eh 1 ah 1
l
因此
2 l 0 l 1 1 q q l a
lq
0
l 0 l 11 q q l 1 12 q2
lq
lq
l
例: 对于 MA
0
1 :
lq
1
l 0
1 1 12
l 0
2 0 1 1 a l 0 l 1 l 1
l0 l 1 l 1
l l 1 1 0 0 l 1 l 1
l
AR(2)模型
l 1
rt 0 1rt 1 2 rt 2 at
E rt
2 t 2
rt r
2.4.4 预测
2 ˆh l Fh min E rh l r
向前一步预测
rh 1 0 1rh p rh 1 p ah 1
ˆh 1 E rh 1 Fh r E 0 1rh p rh 1 p ah 1 Fh E 0 Fh 1 E rh Fh p E rh 1 p Fh E ah 1 Fh 0 1rh p rh 1 p
3、自协方差及其性质
0 var rt
l l
2.2 相关系数和自相关函数 1、相关系数 2、自相关函数(ACF)
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

1990Q1- 2001Q1
8)EViews使用的一个简单实例 接下来,我们使用一个实际操作的
例子,利用1980年至2005年中国居民消 费支出与可支配收入数据,数据为年度 频率。
20
2.3 GAUSS 使用简介
►GAUSS计量软件在处理矩阵与大规模计算方面 十分强大。作为开始,我们先来快速浏览一下 GAUSS(8.0版)的开始界面(见图1)。
1) STATA界面
2) 输入命令
►Stata可以像一个计算器一样工作,使用 display命令即可进行运算。(开头的点号 在输入时请忽略,它只是显示该行命令是 用户输入)
. display 12+12 24 . display 2 * ttail(20,2.1) .04861759
3) 获得帮助
4) STATA的数据导入
Stata有一些系统自带的样本数据,我们现在导入 其中一个自带样本auto.dta数据,使用命令 sysuse auto(sysuse命令同样可以后缀一些选项, 例如sysuse auto, clear,具体内容读者可以查阅 help sysuse),该数据包含了美国1978年的汽车 销售相关数据。 我们可以通过sysuse dir命令来 查看所有Stata自带数据包,如果想了解某个数据 样本包含的具体内容,可以通过describe命令查 看。(正如读者所见,有d有下划线,意味着读者 可以通过只输入一个字母d来代替整个describe命 令)
5)描述性统计量
让我们对感兴趣的变量进行初步的描述性统计,使用 summarize命令:
. summarize price rep78
Variable | Obs Mean Std. Dev. Min Max
-------------+-----------------------------------------------------------------------------------
➢ Stata有非常好的联网帮助系统,想获得关于某命令的 帮助信息就输入help command,斜体部分代之为某命 令或其简约式,这时会弹出“查看(viewer)”窗口,展示 该命令的相关内容。当然也可以在菜单中选择help— command,然后键入某命令,请读者试一下help ttail。
➢ 如果你需要用某个功能的命令,但是不知道其名称, Stata提供了search功能,用于搜索,格式为 search command,用户自行在逗号后加上一些选项, 具体内容可以查阅help search。Stata 13及之后版本启 动search之后会自动在Stata网页资源中搜寻,读者可 以自行尝试一下search Student's t,就会显示与t分布 相关的所有内容。一如t分布,读者可以自行尝试找出 正态分布、卡方分布、F分布的概率分布函数。
7)常用的EViews命令
log(x) 计算x的自然对数
x(-1)
x 滞后1期
x(-2) x 滞后2期
d(x)
计算x的一次差分,即x–x(-1)
scalar a=21.3
对a进行赋值
scalar b=3^3
对b赋值,让其等
于3*3*3=27
genr a=b*b
生成一个序列,
等于b的平方
smpl 1990:1 2001:1 定义样本区间
price | 74 6165.257 2949.496 3291 15906
rep78 | 69 3.405797 .9899323
1
5
6)画散点图
7)计算得到新变量
generate命令用于生成新的变量,其用法是gen new_var_name=f(var_name),f()是某个代数表达式,作用 于已有变量,得到一个新的变量。对新变量进行恰当的命名 是很重要的,能够帮助使用者记忆该变量的实际含义,例如 对原变量取对数之后形成的新变量我们常常会在原变量名前 加log或l来命名。不过有时候这种符合命名方式可能不太易 读,或是带来一些困扰,有些编程者就偏好用“_”来对分 隔变量名,例如例子中的gear_ratio就是这种命名方式,更 为清晰易读。也有人偏好大小写穿插的“驼峰式”命名方式, 例如GearRatio,单个词的首字母大写,同样起到很好的分 隔单词作用,建议用户选取一种自己偏好的命名方式,并在 之后的编程书写过程中一以贯之。
金融计量学
第二章 金融计量软件介绍
2.1 综合介绍 2.2 EViews使用简介 2.3 GAUSS使用简介
2.4 Stata使用简介
2
金融计量软件介绍
EViews Stata SAS RATS
S-PLUS Pc-Give Gauss C++
3
2.1 综合介绍 近年来,随着计算机技术的发展,
计量软件的应用越来越广泛。相应地, 计量软件的数量也越来越多,例如, 常见的计量软件包括Eviews、PC-GIVE、 STATA、WinRATS、SAS、SHAZAM、 MATLAB和GAUSS等等。
13
如果数据量不大,更快捷的一种 导入数据的方式就是拷贝与粘贴。例 如,可以直接拷贝待使用的数据,然 后粘贴到工作文档中的相应对象中。 如果在工作文档中尚未建立相应的对 象,需要首先利用上文介绍的方法创 建对象,然后粘贴数据。
5) 绘制图示
15
6)回归分析
在了解了EViews的工作文档建立和 数据导入等知识后,就可以进行初步 的计量回归分析了。假定当前工作文 档中含有两个变量序列,分别示"y" 和"x"。如果我们想要使用"y"对"x"回 归,即:
11
3) 创建对象
4)导入数据 如果待处理和使用的数据存放在
Excel工具中,可以使用以下步骤直接进 行导入:首先,在主菜单中选择 “PROCS” -> “IMPORT” -> “READ TEXT LOTUS EXCEL”;然后选择存放数 据的Excel文件 ;接着按提示内容对话 框填写相关信息,最后点击“OK”。
retp(,)@
local x, y; @Init. local var.: x and y@
x=_data[1:rows(_data),2:3];
y=_data[1:rows(_data),1:1];
beta=ols()
{vnam,m,b,stb,vc,stderr,sigma,cx,rsq,resid,dwstat}
file=SpreadsheetReadM("realactivitydata","b3: b189",1 );
►你的excel文件中b3到b189(sheet1中)的数据 将被导入到GAUSS中。如果你的数据是以*.dat 形式存储的,那么你可以非常方便的使用下面的 语句来导入数据:
data=loadd(“C:\gauss8.0\data.dat”);ick/Estimate Equation,随后跳出 回归设立的对话框,在相应的对话框 内填写信息,如在“Equation specification” 对话框内按顺序写 上“y c x ”,其中c是 EViews默认 的常数项,然后在 Esimating Settings/Method选项内选择使用的回 归估计方法。
4
2.2 Eviews 使用简介
EViews是Econometrics Views的缩 写,其前身是计量软件TSP。
除了处理金融时间序列数据模型, EViews在管理和处理横截面数据和面 板数据方面也非常方便,并具有强大 的命令功能和丰富的程序处理语句。
1) 启动 EViews
10
2) 创建工作文档
6)用GAUSS来创建图表
2.4 STATA 使用简介
Stata是一款常用计量软件,数据管理和 统计功能都较为全面,也拥有较为优秀的 作图功能。和EViews等软件类似,Stata同 样适用于时序分析、截面数据以及面板数 据等不同环境下的计量分析。接下来我们 对Stata的数据管理、统计、作图和编程进 行介绍。我们介绍的内容以Stata 13版本为 基础,不过基本内容适用于Stata的各不同 版本。
8)简单线性回归
9) 回归之后的一些命令
►在估计了回归模型之后,Stata中有一系列 基于估计结果的衍生命令,其中一个如 predict,用于生成拟合值或残差。具体命 令如下:
. predict p_price (option xb assumed; fitted values)
10)给数据添加拟合直线
操作符:
Select submatrix from matrix: X[startro:endrow, startcolumn:endcolumn] Transposition operator: ’ Matrix Operators: + - * \ % Element-by-element operators: .+ .- .* .\ Kronecker product: .*. Concatenating operators: ~ |
4) GUASS的程序
一个简单程序的例子如下:
/* This program is written by Chengsi Zhang
for the course of Financial Econometrics
*/
proc(1)=_simpleregression(_data); @(1) # of arg. returned by
►在初始界面中,你可以看到命令(输入-输出)窗 口。图中所示,当前的工作路径是C:\gauss8.0 (当你执行一个程序或是语句,GAUSS会自动 在该目录下寻找相关内容)。不过,你可以通过 点击图2所示的“File-Change Working Directory”来改变工作路径。
相关文档
最新文档