CFA二级的时间序列分析(Time-Series Analysis)是一个难点,希望下面总结的逻辑框架能对各位的复习有所帮助。
1、时间序列分析只有一组时间序列数据,要预测下一期的数据。回归可以用来预测,但是由于时间序列分析只有一组数据(因变量),缺少自变量,因此要解决自变量的问题。
2、线性趋势模型(Linear trend model)就是用时间(t)来做自变量的一元回归模型,这就解决了缺少自变量的问题。但是时间序列数据不一定与时间t线性相关,很有可能是加速上升或者加速下降的。因此,做线性回归之后可能存在自相关。
3、拿到一组时间序列数据,我们先做线性趋势模型,然后用Durbin Watson检验来检验自相关。如果Durbin Watson检验不能拒绝原假设(没有自相关),那么就用线性趋势模型;如果Durbin Watson检验拒绝原假设(有自相关),那么就用对数线性趋势模型。
4、对数线性趋势模型(Log-linear trend model)昨晚之后,仍然用Durbin Watson检验来检验自相关。如果Durbin Watson检验不能拒绝原假设,那么就用对数线性趋势模型;如果Durbin Watson检验拒绝原假设,那么就用自回归模型。
5、自回归模型(Autoregressive model)是用上一期的因变量来做自变量,因此也解决了缺少自变量的问题。
6、但是自回归模型是否解决了自相关的问题呢?我们做完一个自回归模型AR(1)之后,不能用Durbin Watson检验来检验自相关,而要用最原始的方法,计算每一个自相关系数,对每一个自相关系数做显著性检验t检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设(没有自相关),那么就用这个AR(1)模型;如果有一个自相关系数的显著性t检验都拒绝原假设(有自相关),那么就要引入一个季节性延迟变量(seasonal lag),然后以新的(二元)自回归模型重新回归,估计回归参数。
7、新的(二元)自回归模型重新回归之后,我们仍然计算每一个自相关系数,对每一个自相关系数做显著性检验检验。如果每一个自相关系数的显著性t检验都不能拒绝原假设(没有自相关),那么就用这个新的(二元)自回归模型;如果有一个自相关系数的显著性t检验都拒绝原假设(有自相关),那么就要再引入一个季节性延迟变量,然后以新的(三元)自回归模型重新回归。这样周而复始,不断引入季节性延迟变量,最终总能使每一个自相关系数的显著性t检验都不能拒绝原假设。也就是说,自回归模型可以根本解决自相关的问题。
8、自回归模型虽然解决了自相关的问题,但是带来了一个新的问题:只有平稳的时间序列数据才能做自回归,这是自回归模型的前提条件。CFA称平稳的时间序列数据为协方差恒定的时间序列数据(Covariance-stationary series)。
9、时间序列数据要协方差恒定,有一个必要条件,就是必须要有一个均值回复水平(mean reverting level)。对AR(1)模型,均值回复水平=b0/(1-b1)。如果b1=1,则该AR(1)模型不存在均值回复水平,这个时间序列数据也就不满足协方差恒定。因此,做了一个AR(1)模型之后,我们要用Dickey-Fuller检验来检验斜率系数b1是否显著不等于1(b1等于1称为单位根)。如果Dickey-Fuller检验可以拒绝原假设,那么就没有单位根,可以用这个AR(1)模型;如果Dickey-Fuller检验不能拒绝原假设,那么就有单位根,不可以用这个AR(1)模型,此时这个AR(1)模型称为随机游走模型。
10、随机游走模型(Random walk)有单位根b1等于1,因此不满足协方差恒定的前提条件,必须做一阶差分(First differencing)。一阶差分最终能解决单位根的问题。
扫一扫微信,*9时间获取2014年CFA考试报名时间和考试时间提醒
版权声明:本条内容自发布之日起,有效期为一个月。凡本网站注明“来源高顿教育”或“来源高顿网校”或“来源高顿”的所有作品,均为本网站合法拥有版权的作品,未经本网站授权,任何媒体、网站、个人不得转载、链接、转帖或以其他方式使用。
经本网站合法授权的,应在授权范围内使用,且使用时必须注明“来源高顿教育”或“来源高顿网校”或“来源高顿”,并不得对作品中出现的“高顿”字样进行删减、替换等。违反上述声明者,本网站将依法追究其法律责任。
本网站的部分资料转载自互联网,均尽力标明作者和出处。本网站转载的目的在于传递更多信息,并不意味着赞同其观点或证实其描述,本网站不对其真实性负责。
如您认为本网站刊载作品涉及版权等问题,请与本网站联系(邮箱fawu@gaodun.com,电话:021-31587497),本网站核实确认后会尽快予以处理。