Autoregressive Liikkuva Keskiarvo C

Autoregressive Moving-Average Simulation (First Order) Demonstration on asetettu siten, että samaa satunnaisjoukkoa käytetään riippumatta siitä, miten vakiot ja vaihtelevat. Kuitenkin, kun quotrandomizequot-painiketta painetaan, syntyy uusi satunnais-sarja ja sitä käytetään. Satunnaisjoukon pitäminen samanlaisena antaa käyttäjälle mahdollisuuden nähdä tarkasti ARMA-sarjan muutosten vaikutukset kahteen vakioon. Vakio on rajoitettu (-1,1), koska ARMA-sarjan divergenssi saadaan aikaan. Demonstration on tarkoitettu vain ensimmäisen asteen prosessiin. Muut AR-termit mahdollistaisivat monimutkaisempien sarjojen syntymisen, kun taas ylimääräiset MA-termit lisäisivät tasoitusta. Yksityiskohtaisen kuvauksen ARMA-prosesseista on esimerkiksi G. Box, G. M. Jenkins ja G. Reinsel, aikasarja-analyysi: ennustaminen ja kontrolli. 3. ed. Englewood Cliffs, NJ: Prentice-Hall, 1994. RELATED LINKSAutoregressive Integrated Moving Average ARIMA (p, d, q) mallit aikasarjan analyysille Edellisissä artikkeliryhmissä (osat 1. 2 ja 3) AR (p), MA (q) ja ARMA (p, q) lineaariset aikasarjamallit. Käytimme näitä malleja tuottamaan simuloituja tietojoukkoja, sovitettuja malleja parametrien palauttamiseksi ja sitten soveltamaan näitä malleja rahoitusmarkkinaosuustietoihin. Tässä artikkelissa aiomme keskustella ARMA-mallin laajennuksesta, nimittäin Autoregressive Integrated Moving Average - mallin tai ARIMA (p, d, q) - mallin. Näemme, että on tarpeen tarkastella ARIMA-mallia, kun meillä on ei-staattisia sarjoja. Tällaisia ​​sarjoja esiintyy stokastisten suuntausten mukana. Quick Recap ja seuraavat vaiheet Tähän mennessä olemme tarkastelleet seuraavia malleja (linkit vievät sinut asianmukaisiin artikkeleihin): Olemme kehittäneet aikakäsityksiämme jatkuvasti käsitteitä kuten sarjakorkeutumista, stationaarisuutta, lineaarisuutta, jäännöksiä, korrelointimääriä, simulointi, sovitus, kausivaihtelu, ehdollinen heteroskedastiisuus ja hypoteesin testaus. Tästä huolimatta emme ole tehneet mitään ennusteita tai ennusteita malleistamme, eikä niillä ole ollut mitään mekanismia kaupankäyntijärjestelmän tai oman pääoman kaarteen tuottamiseksi. Kun olemme tutkineet ARIMAa (tässä artikkelissa), ARCH ja GARCH (seuraavissa artikkeleissa), pystymme rakentamaan perusta pitkän aikavälin kaupankäyntistrategian, joka perustuu osakemarkkinoiden indeksien ennusteisiin. Huolimatta siitä, että olen mennyt paljon yksityiskohtiin malleista, joista tiedämme lopulta ole suurta suorituskykyä (AR, MA, ARMA), olemme nyt hyvin perehtynyt aikasarjamallinnuksen prosessiin. Tämä tarkoittaa sitä, että kun tulemme tutkimaan uusimpia malleja (ja jopa niitä, jotka ovat tällä hetkellä tutkimuskirjallisuudessa), meillä on merkittävä tietämyspohja, jonka avulla voimme tehdä näitä malleja tehokkaasti arvioimalla sen sijaan, että käsittelemme niitä avaintekijänä resepti tai musta laatikko. Vielä tärkeämpää on, että se antaa meille luottamusta laajentaa ja muokata niitä omasta ja ymmärtää, mitä teemme, kun teemme sen. Haluan kiittää teitä siitä, että olet ollut kärsivällinen toistaiseksi, koska saattaa näyttää siltä, ​​että nämä artikkelit ovat kaukana todellisen kaupankäynnin todellinen toiminta. Todellinen kvantitatiivinen kaupankäynti on kuitenkin huolellista, mitattua ja vie aikaa pitkälle. Ei ole nopeaa korjausta tai saada rikas järjestelmä quant trading. Oli melkein valmis harkitsemaan ensimmäistä kaupankäyntimallia, joka on ARIMA: n ja GARCH: n sekoitus, joten on välttämätöntä, että vietämme aikaa ARIMA-mallin ymmärtämiseen. Kun olemme rakentaneet ensimmäisen kaupankäyntimallimme, aiomme harkita lisää kehittyneet mallit, kuten pitkät muistiprosessit, tila-avaruusmallit (eli Kalman-suodatin) ja Vector Autoregressive (VAR) - mallit, jotka johtavat meitä muihin, kehittyneempiin kaupankäyntistrategioihin. Autoregressive Integrated Moving Average (ARIMA) Mallin p, d, q ARIMA-malleja käytetään, koska ne voivat vähentää ei-stationääristä sarjaa stationääriseen sarjaan eri vaiheiden sekvenssillä. Voimme muistuttaa artikkelista valkoisesta melusta ja satunnaisista kävelylohkoista, että jos sovellamme erotusoperaattoria satunnaisvarpaisiin sarjaan (ei-stationäärinen sarja) meillä on jäljellä valkoista kohinaa (stationary series): begin nabla xt xt - x wt Loppu ARIMA suorittaa olennaisesti tämän toiminnon, mutta tekee niin toistuvasti, d kertaa, vähentääkseen ei-staattisia sarjoja stationaariseksi. Jotta voidaan käsitellä muita muut kuin stationaarisuusmuotoja kuin stokastisia suuntauksia, voidaan käyttää muita malleja. Kausiluonteisia vaikutuksia (kuten hyödykkeiden hinnoissa esiintyviä) voidaan käsitellä kausiluonteisen ARIMA-mallin (SARIMA) kanssa, mutta SARIMAa ei olekaan tässä sarjassa. Conditional heteroscedastic vaikutuksia (kuten volatiliteetti klusterointi osakkeiden indeksit) voidaan ratkaista ARCHGARCH. Tässä artikkelissa tarkastelemme staattisia sarjoja, joissa on stokastisia suuntauksia ja sovitettu ARIMA-malleihin näihin sarjoihin. Tulemme myös lopulta tuottamaan ennusteita rahoitussarjoistamme. Määritelmät Ennen ARIMA-prosessien määrittelyä meidän on keskusteltava integroidun sarjan käsitteestä: integroitu tilaussarja d aikasarja on integroitu järjestykseen d. I (d), jos: begin nablad xt wt end Eli jos erotellaan sarjan d kertaa, saamme erillisen valkoisen melun sarjan. Vaihtoehtoisesti Backward Shift Operatorin avulla vastaava ehto on: Nyt kun olemme määritelleet integroidun sarjan, voimme määrittää ARIMA-prosessin itsensä: Autoregressive Integrated Moving Average Tilausmallin p, d, q Aikasarja on autoregressiivinen integroitu liukuva keskiarvo tilauksesta p, d, q. ARIMA (p, d, q). jos nablad xt on autoregressiivinen liukuva keskimääräinen tilaus p, q, ARMA (p, q). Eli mikäli sarja on erilainen d kertaa, ja se seuraa sitten ARMA (p, q) - prosessia, se on ARIMA (p, d, q) - sarja. Jos käytämme ARMA-sarjan osan 1 ja osassa 2 olevaa polynomimerkitystä, ARIMA (p, d, q) prosessi voidaan kirjoittaa taaksepäin siirtymän operaattorina. : Missä wt on erillinen valkoisen melun sarja. Näistä määritelmistä on joitain kohtia. Koska satunnaiskävely on x x wt, voidaan nähdä, että I (1) on toinen esitys, koska nabla1 xt wt. Jos epäillämme epälineaarista suuntausta, voimme ehkä käyttää toistuvaa erottelua (ts. D gt 1) sarjan pienentämiseksi kiinteään valkoiseen kohinaan. R: ssä voimme käyttää diff-komentoa lisäparametreilla, esim. diff (x, d3) toistettujen erojen tekemiseksi. Simulaatio, korrelointi ja mallin asennus Koska arima. sim-komento on jo käyttänyt ARMA (p, q) - prosessin simuloimiseksi, seuraava menettely on samanlainen kuin ARMA-sarjan 3 osassa. Suurin ero on se, että asetamme dl: n, eli tuotamme staattisen aikasarjan stokastisella trending-komponentilla. Kuten aiemmin, sovimme ARIMA-malliin simuloidulle datallemme, pyrimme palauttamaan parametrit, luomaan luottamusvälit näille parametreille, tuottamaan korrelaarisen mallin jäämien korrelaatiot ja tekemään lopulta Ljung-Box-testi sen selvittämiseksi, onko meillä hyvä istuvuus. Aiomme simuloida ARIMA (1,1,1) - mallia, jossa autoregressiivinen kerroin alpha0.6 ja liikkuva keskimääräinen kerroin beta-0.5. Tässä on R-koodi simuloida ja piirtää tällainen sarja: Nyt kun meillä on simuloitu sarja aiomme yrittää sovittaa ARIMA (1,1,1) malli siihen. Koska me tiedämme, että järjestys on yksinkertaisesti määritettävä se sopivaksi: Luottamusvälit lasketaan seuraavasti: Molemmat parametriarvot kuuluvat luottamusväleihin ja ovat lähellä simuloidun ARIMA-sarjan todellisia parametriarvoja. Siksi emme saa olla yllättyneitä nähdäkseen jäännökset, jotka näyttävät erillisen valkoisen melun toteutumiselta. Lopuksi voimme suorittaa Ljung-Box - testin, jotta saisimme tilastollisia todisteita hyvästä sovituksesta: Voimme nähdä, että p-arvo on huomattavasti suurempi kuin 0,05 ja sellaisena voimme todeta, että on olemassa vahvaa näyttöä siitä, että erillinen valkoista kohinaa sopii hyvin jäännöksiin. Siksi ARIMA (1,1,1) malli on hyvä sopivuus, kuten odotettiin. Taloudelliset tiedot ja ennuste Tässä osiossa sovitetaan ARIMA-malleja Amazon, Inc. (AMZN) ja SampP500 US Equity Index (GPSC, Yahoo Finance). Käytämme ennustekirjastoa, jonka on kirjoittanut Rob J Hyndman. Asenna kirjasto R: Nyt voimme käyttää quantmodia lataamaan Amazonin päivittäiset hintasarjat vuoden 2013 alusta. Koska sarjan ensimmäiset tilauserot on jo otettu käyttöön, ARIMA-sovitus tehdään pian. ei vaadi d gt 0 integroitua komponenttia varten: Kuten ARMA-sarjan 3 osassa, aiomme silmukoittaa p, d ja q yhdistelmiä etsimällä optimaalisen ARIMA (p, d, q) - mallin. Optimaalisesti tarkoitamme tilausyhdistelmää, joka minimoi Akaike Information Criterion (AIC): Voimme nähdä, että p4, d0, q4: n tilaus valittiin. Erityisesti d0, koska olemme jo ottaneet ensimmäisen kertaluvun eroja edellä: Jos piirrämme jäännösmäärien korrelaatiot, voimme nähdä, onko meillä todisteita erillisistä valkoisen äänisarjojen sarjoista: K15 ja k21 on kaksi merkittävää piikkiä, vaikka meidän pitäisi odottaa tilastollisesti merkitseviä piikkejä yksinkertaisesti ajan näytteenottovaihtelun 5 vuoksi. Suorita Ljung-Box-testi (ks. Edellinen artikkeli) ja katso, onko meillä todisteita hyvästä istuvuudesta. Koska voimme nähdä, että p-arvo on suurempi kuin 0,05, niin meillä on näyttöä siitä, että se sopii hyvin 95-tasolle. Nyt voimme ennustaa ennustekomennon ennustekirjastosta, jotta voimme ennakoida 25 päivää eteenpäin Amazonin tuotto-sarjoille. Näemme seuraavien 25 päivän pisteennusteet 95 (tummansininen) ja 99 (vaaleansininen) virhesekvenssillä . Käytämme näitä ennusteita ensimmäisessä aikasarjojen kaupankäyntistrategiassa, kun tulemme yhdistämään ARIMA ja GARCH. Sama sama menettely kuin SampP500: ssä. Ensinnäkin saamme tiedot quantmodista ja muunnetaan se päivittäiseksi palautusvirralle: Sovitetaan ARIMA-malli pilkottelemalla p: n, d: n ja q: n arvot: AIC kertoo meille, että paras malli on ARIMA (2,0, 1) malli. Huomaa vielä, että d0, koska olemme jo ottaneet sarjan ensimmäisen kertaluvun eroja: Voimme piirtää sovitetun mallin jäännökset nähdäksemme, onko meillä todisteita erillisestä valkoisesta äänestä: Korrelaatiokuva näyttää lupaavalta, joten seuraava askel on suorittaa Ljung-Box-testi ja vahvista, että meillä on hyvä malli: Koska p-arvo on suurempi kuin 0,05, meillä on todisteita hyvästä mallin sovituksesta. Miksi edellisessä artikkelissa SampP500: n Ljung-Box-testi osoitti, että ARMA (3,3) oli huonosti sovitettu päivittäisiin palauteilmoituksiin. Huomaa, että olen tarkoituksellisesti katkaissut SampP500-tiedot alkavaksi vuodesta 2013 alkaen tässä artikkelissa , joka kätevästi sulkee pois epävakaat kaudet vuosilta 2007-2008. Siksi olemme jättäneet suuren osan SampP500: stä, jossa meillä oli liiallista volatiilisuusklusterointia. Tämä vaikuttaa sarjojen sarjakorkeuteen ja siten vaikuttaa siihen, että sarja näyttää olevan paikallaan kuin aiemmin. Tämä on erittäin tärkeä asia. Aikasarjoja analysoitaessa meidän on oltava erittäin varovainen ehdollisesti heterosektoidisten sarjojen, kuten osakemarkkinoiden indekseistä. Kvantitatiivisessa rahoituksessa tunnetaan usein järjestelmän havaitsemista yrittäen määrittää eri volatiliteettiaikoja. Se on yksi vaikeammista tehtävistä saavuttaa. Hyvin keskustele tästä asiasta pitkään seuraavassa artikkelissa, kun käsittelemme ARCH - ja GARCH-malleja. Sallii nyt piirtää ennusteen SampP500: n päivittäisten lokitietojen seuraavien 25 päivän aikana. Nyt kun meillä on kyky asentaa ja ennustaa ARIMA: n kaltaisia ​​malleja, olimme hyvin lähellä voidessamme luoda kaupankäynnin strategiaindikaattoreita. Seuraavat vaiheet Seuraavassa artikkelissa tarkastelemme Generalized Autoregressive Conditional Heteroscedasticity (GARCH) - mallia ja käytämme sitä selittäessämme enemmän sarjakorotusta tietyissä osakkeissa ja osakeindeksisarjassa. Kun olemme keskustelleet GARCH: stä, voimme yhdistää sen ARIMA-malliin ja luoda signaalin indikaattoreita ja siten perusmäärällistä kaupankäyntistrategiaa. Ainoastaan ​​aloitus kvantitatiivisella kaupankäynnillä Dokumentointi a on jatkuva vektori siirtymistä, n elementtejä. A i ovat n - b - n matriisit jokaiselle i: lle. A i ovat autoregressiivisia matriiseja. On olemassa p autoregressiivisiä matriiseja. 949 t on sarjaan epäsorreloitujen innovaatioiden vektori. vektorit, joiden pituus on n. 949 t ovat monivariateja normaaleja satunnaisvektoreita, joiden kovarianssimatriisi Q on. jossa Q on identiteettimatriisi, jollei toisin mainita. B j ovat n - b - n matriisia kullekin j: lle. B j ovat liikkuvia keskimääräisiä matriiseja. Q liikkuu keskimäärin matriiseja. X t on n-r-matriisi, joka edustaa eksogeenisiä termejä kullakin hetkellä t. r on eksogeenisten sarjojen määrä. Eksogeeniset termit ovat dataa (tai muita muokkaamattomia panoksia) vastausajasarjan y t lisäksi. B on koon r regressiokerroin vakio vektori. Joten tuote X t middotb on koon n vektori. Yleensä aikasarjat y t ja X t ovat havaittavissa. Toisin sanoen, jos sinulla on tietoja, se edustaa yhtä tai molempia näistä sarjoista. Et aina tiedä offset a. kerroin b. autoregressiiviset matriisit A ​​i. ja liukuvat keskimääräiset matriisit Bj. Haluat yleensä asentaa nämä parametrit tietoihisi. Katso vgxvarx-toiminnon referenssisivulta tuntemattomien parametrien arvioimiseksi. Innovaatiot 949 t eivät ole havaittavissa, ainakin tiedoissa, vaikka ne voidaan havaita simuloinnissa. Lag-operaattorin edustus Lineaaristen autoregressiivisten yhtälöiden vastaava esitys lag-operaattoreiden suhteen. Viiveoperaattori L siirtää aikaindeksin takaisin yhdellä: L y t y t 82111. Operaattori L m siirtää aikaindeksin takaisin m: lla. L m y t y t 8211 m. Viiveoperaattorimuodossa SVARMAX-mallin (p q qr) yhtälö muuttuu (A 0 x 2212 x 2211 i 1 p A i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t. Tämä yhtälö voidaan kirjoittaa A (L) y t a X t b B (L) x03B5 t. VAR-malli on vakaa, jos VAR-prosessi konvergoituu yhteen, kun VAR-prosessi on vakaa, jos VAR-prosessi konvertoidaan toisiinsa, kun VAR-malli on vakaa, jos se on (V n = 2222 A 1 z x2212 A 2 z 2 x 2212 x 2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 ajan myötä. Katso Luumltkepohl 74 luku 2 keskustelulle. VMA-malli on käännettävissä, jos det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Tämä edellytys tarkoittaa, että prosessin puhdas VAR-esitys on vakaa. Lisätietoja VAR - ja VMA-mallien muuntamisesta on kohdassa Mallinäytteiden muuttaminen. Ks. Luumltkepohl 74 luku 11, jossa käsitellään vaihdettavia VMA-malleja. VARMA-malli on vakaa, jos sen VAR-osa on vakaa. Samoin VARMA-malli on käännettävissä, jos sen VMA-osa on käännettävissä. Ei ole määritelty vakautta tai invertibility-käsitystä exogeenisten panosten (esim. VARMAX-mallit) kanssa. Eksogeeninen panos voi horjuttaa mallia. Building VAR - mallit Useiden aikasarjamallien tai useiden aikasarjatietojen ymmärrät yleensä seuraavia vaiheita: Tuo ja esikäsitellään tietoja. Määritä malli. Määritä parametrit, joilla ei ole parametreja arvoja mallin määrittämiseen, kun haluat MATLAB x00AE: n arvioimaan parametrit Määritä rakenteet, joissa valitut parametriarvot määrittävät mallin, jossa tunnet joitain parametreja, ja haluat MATLABin arvioida muut määrittämään sopivan määrän viivejä määrittämään Mallin sopiva määrä viiveitä Asenna malli tietoihin. Datojen mallintaminen vgxvarxin avulla arvioimaan tuntemattomia parametrejä malleissasi. Tähän voi kuulua: Mallinäytteiden muuttaminen mallin vaihtamiseksi sellaiseen tyyppiin, jota vgxvarx käsittelee Analysoidaan ja ennustetaan sovitetun mallin avulla. Tähän voi kuulua: Tarkastetun mallin vakauden tutkiminen sen selvittämiseksi, onko mallisi vakaa vai ei. VAR-mallin ennustaminen suoraan malleista tai ennuste Monte Carlo-simulaatiosta. Impulssivasteiden laskeminen impulssivasteiden laskemiseksi, jotka antavat ennusteita oletetun muutoksen perusteella aikasarjassa olevan tuloksen perusteella. Vertaa mallien ennusteiden tuloksia ennustettuihin tietoihin. Esimerkkinä on esimerkki VAR-mallin tapaustutkimuksesta. Sovelluksen ei tarvitse sisältää kaikkia tämän työnkulun vaiheita. Esimerkiksi sinulla ei ehkä ole tietoja, mutta haluat simuloida parametroitua mallia. Tällöin suoritat vain yleisen työnkulun vaiheet 2 ja 4. Voit toistaa joitakin näistä vaiheista. Aiheeseen liittyvät esimerkit Valitse maaAutoregressiiviset liikkuvan keskimääräisen virheprosessit (ARMA-virheet) ja muut mallit, joihin liittyy virheen termejä, voidaan arvioida käyttämällä FIT-lausekkeita ja simuloimalla tai ennustettua käyttämällä SOLVE-lausekkeita. ARMA-malleja virheprosessille käytetään usein malleissa, joissa on autokorreloidut jäännösmääritykset. AR-makroa voidaan käyttää malleja, joissa on autoregressiivinen virheprosessi. MA-makroa voidaan käyttää malleja, joissa on liikkuvan keskiarvon virheprosesseja. Autoregressiiviset virheet Moduuli, jolla on ensimmäisen kertaluvun autoregressiiviset virheet, AR (1), on muotoa, kun AR (2) - virheprosessilla on muoto ja niin edelleen korkeamman asteen prosesseja varten. Huomaa, että s ovat riippumattomia ja jakautuneita ja niillä on odotettu arvo 0. Esimerkki mallista AR (2) - komponentilla on ja niin edelleen korkeamman asteen prosesseille. Voit esimerkiksi kirjoittaa yksinkertaisen lineaarisen regressiomallin, jossa on MA (2) liikkuvan keskiarvon virheitä, kun MA1 ja MA2 ovat liikkuvan keskiarvon parametreja. Huomaa, että RES MODE on määritelty RESID. Y: ssä, koska MA-malleissa on käytettävä ZLAG-funktiota, joka katkaisee viiveiden rekursion. Tämä varmistaa, että viivästyneet virheet alkavat nollaan viivästysaikavaiheessa eikä hajauttavat puuttuvia arvoja, kun viivästysaika-ajan muuttujia puuttuu ja varmistaa, että tulevat virheet ovat nollia pikemminkin kuin puuttuvat simuloinnin tai ennustamisen aikana. Lisätietoja viive toiminnoista on kohdassa Lag Logic. Tämä malli on kirjoitettu käyttäen MA-makroa seuraavasti: Yleinen muoto ARMA-mallille Yleinen ARMA (p, q) - menetelmällä on seuraava muoto ARMA (p, q) - malli voidaan määrittää seuraavasti: missä AR i ja MA j edustavat autoregressiiviset ja liikkuvan keskiarvon parametrit eri viiveille. Voit käyttää näitä muuttujia varten haluamasi nimet, ja spesifikaatiota on useita vastaavia tapoja. Vektori-ARMA-prosessit voidaan myös arvioida PROC MODEL: llä. Esimerkiksi kahden muuttujan AR (1) - prosessi kahden endogeenisen muuttujan Y1 ja Y2 virheille voidaan määritellä seuraavasti: ARMA-mallien konvergenssiongelmia ARMA-malleja voi olla vaikea arvioida. Jos parametrien arviot eivät ole sopivalla alueella, liikkuvan keskiarvon malleissa jäljellä olevat termit kasvavat eksponentiaalisesti. Laskennalliset jäännökset myöhemmille havainnoille voivat olla hyvin suuria tai voivat ylivuodon. Tämä voi tapahtua joko siksi, että virheellisiä aloitusarvoja käytettiin tai koska iteroinnit siirtyivät pois kohtuullisista arvoista. Hoitoa on käytettävä ARMA-parametrien alkuarvojen valitsemiseen. ARMA-parametrien 0,001 indeksit toimivat yleensä, jos malli sopii datan hyvin ja ongelma on hyvin kunnostettu. Huomaa, että MA-mallia voidaan usein arvioida suuren luokan AR-mallilla ja päinvastoin. Tämä voi johtaa korkeaan kolinearisuuteen ARMA-malleissa, jotka vuorostaan ​​voivat aiheuttaa vakavia huononemista laskentaan ja epävarmuuteen parametrien arvioissa. Jos sinulla on lähentymisongelmia ARMA-virheprosessien mallin arvioinnissa, yritä arvioida vaiheittain. Käytä ensin FIT-lauseketta arvioidaksesi vain rakenteelliset parametrit ARMA-parametreilla nollaksi (tai kohtuullisiin ennakkoarvioihin, jos niitä on saatavilla). Seuraavaksi käytä toista FIT-käskyä ARMA-parametrien arvioimiseen käyttämällä rakenneparametrien arvoja ensimmäiseltä ajalta. Koska rakenneparametrien arvot todennäköisesti ovat lähellä lopullisia arvioitaan, ARMA-parametrien arviot saattavat nyt konvergoitua. Käytä lopuksi toisen FIT-lausekkeen tuottamaan samanaikaiset arviot kaikista parametreista. Koska parametrien alkuarvot ovat todennäköisesti melko lähellä niiden lopullisia yhteisiä arvioita, arvioiden pitäisi lähentyä nopeasti, jos malli on sopiva tietoihin. AR: n alkuolosuhteet AR (p) - malleihin liittyvien virheen ehtojen alkuperäiset viiveet voidaan mallintaa eri tavoin. SASETS-menetelmien tukemat autoregressiiviset virheiden aloittamismenetelmät ovat seuraavat: ehdolliset pienimmät neliöt (ARIMA - ja MODEL-menettelyt) ehdottomasti pienimmät neliöt (AUTOREG, ARIMA ja MODEL-menetelmät) suurin todennäköisyys (AUTOREG, ARIMA ja MODEL) Yule-Walker (AUTOREG Hildreth-Lu, joka poistaa ensimmäiset p-havainnot (vain MODEL-menettely) Katso luku 8, AUTOREG-menettely, selvittämään ja keskustelemaan AR: n (p) käynnistysmenetelmien ansioista. CLS-, ULS-, ML - ja HL-alustukset voidaan suorittaa PROC MODEL: llä. AR (1) - virheille nämä alustukset voidaan tuottaa taulukon 18.2 mukaisesti. Nämä menetelmät vastaavat suuria näytteitä. Taulukko 18.2 PROC: n suorittamat alustukset AR (1) VIRHEET MA (q) - mallien virheen ehdon alkuviiveet voidaan myös mallintaa eri tavoin. ARIMA - ja MODEL-menettelytapoja tukevat seuraavat liikkuvan keskiarvon käynnistysparametrit: ehdottomat pienimmän neliösumman ehdolliset pienimmät neliöt Ehdollisen pienimmän neliösumman menetelmä, jossa arvioidaan liikkuvat keskimääräiset virheet, ei ole optimaalinen, koska se ei ota huomioon käynnistysongelmaa. Tämä vähentää arvioiden tehokkuutta, vaikka ne pysyisivät puolueettomina. Ensimmäiset viivästyneet jäännökset, jotka ulottuvat ennen tietojen alkua, oletetaan olevan 0, niiden ehdoton odotettu arvo. Tämä tuo eron näiden residualien ja yleistettyjen pienimmän neliösumman jäännöksistä liikkuvan keskiarvon kovarianssin suhteen, joka toisin kuin autoregressiivinen malli säilyy tietojoukon kautta. Yleensä tämä ero konvergoi nopeasti 0: een, mutta melkein ei-verrattavissa liikkuvan keskiarvon prosesseissa lähentyminen on melko hidasta. Tämän ongelman minimoimiseksi sinun pitäisi olla runsaasti tietoja, ja liikkuvan keskiarvon parametriarvojen pitäisi olla hyvin vaihtosuuntaisen alueen sisällä. Tämä ongelma voidaan korjata monimutkaisemman ohjelman kirjoittamisen kustannuksella. MA (1) - prosessin ehdottomat pienimmän neliösumman estimaatit voidaan tuottaa määrittämällä malli seuraavasti: Keskimääräisten siirrettävien virheiden voi olla vaikea arvioida. Sinun tulisi harkita AR (p) - lähestymisen käyttämistä liikkuvan keskiarvon prosessiin. Liikkuvaa keskimääräistä prosessia voidaan yleensä lähentää autoregressiivisella prosessilla, jos tietoja ei ole tasoitettu tai eriytetty. AR-makro SAS-makro AR tuottaa PLAST MODEL - ohjelmointiohjelmia autoregressiivisille malleille. AR-makro on osa SASETS-ohjelmistoa, eikä lisäasetuksia tarvitse asettaa makron käyttämiseksi. Autoregressiivinen prosessi voidaan soveltaa rakenteellisten yhtälövirheiden tai itse endogeenisten sarjojen kanssa. AR-makroa voidaan käyttää seuraavaan autoregression muotoon: rajoittamaton vektori autoregression rajoitettu vektorin autoregression Univariate Autoregression Jos haluat mallintaa yhtälön virheetermin autoregressiiviseksi prosessiksi, käytä seuraavaa lausetta yhtälön jälkeen: Oletetaan esimerkiksi, että Y on lineaarinen funktio X1, X2 ja AR (2) - virhe. Sinä kirjoittaisit tämän mallin seuraavasti: AR: n puhelujen on oltava kaikkien prosessin jälkeen käytettyjen yhtälöiden jälkeen. Edellinen makrotapaus, AR (y, 2), tuottaa LIST-tulosteessa esitetyt lausumat kuviossa 18.58. Kuva 18.58 LIST Optio-ulostulo AR: n (2) mallille PRED-esiasetetut muuttujat ovat väliaikaisia ​​ohjelmamuuttujia, joita käytetään jäännösten viiveinä oikeina jäännöksinä, eivätkä ne, jotka on määritelty uudelleen tämän yhtälön avulla. Huomaa, että tämä vastaa ARMA-mallien yleisen lomakkeen yleisesti kirjoitettuja lausumia. Voit myös rajoittaa autoregressiiviset parametrit nollaan valitulla viiveellä. Jos esimerkiksi haluat autoregressiiviset parametrit viiveissä 1, 12 ja 13, voit käyttää seuraavia lausumia: Nämä lausumat tuottavat kuviossa 18.59 esitetyn lähdön. Kuva 18.59 LUETTELO Optiotuotos AR: n mallille, jossa on viiveet 1, 12 ja 13: ssa. Koodattujen ohjelmakoodiselostusten MODEL-menettelylistat parsedina PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y PRED. Y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - perdy) yl12 ZLAG12 (y - perdy) yl13 ZLAG13 (y - perdy) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y vaihtelut ehdollisen pienimmän neliösumman menetelmällä, riippuen siitä, käytetäänkö sarjan alussa havaittavia AR: n prosessin lämpenemistä. Oletusarvoisesti AR-ehdollinen pienimmän neliösumman menetelmä käyttää kaikkia havaintoja ja olettaa nollia autoregressiivisten termien alkuperäisille viiveille. Käyttämällä M-vaihtoehtoa voit pyytää, että AR käyttää ehdottoman pienimmän neliösumman (ULS) tai suurimman todennäköisyyden (ML) menetelmää sijaan. Esimerkiksi näitä menetelmiä koskevat keskustelut löytyvät osasta AR Alkuolosuhteet. Käyttämällä MCLS n - vaihtoehtoa voit pyytää, että ensimmäiset n-havainnot käytetään arvioimaan alkuperäisiä autoregressiivisen viiveen. Tässä tapauksessa analyysi alkaa havainnolla n 1. Esimerkiksi: Voit käyttää AR-makroa soveltamaan autoregressiivimallia endogeeniseen muuttujaan virhevirheen sijaan käyttämällä TYPEV-vaihtoehtoa. Esimerkiksi, jos haluat lisätä Y: n viisi aiempia viiveitä edellisessä esimerkissä olevaan yhtälöön, voit käyttää AR: ta parametrien ja viivästysten generoimiseen käyttämällä seuraavia lausumia: Edelliset lausumat muodostavat kuviossa 18.60 esitetyn lähdön. Kuva 18.60 LUETTELO Optiotuotos Y: n AR-mallille Tämä malli ennustaa Y lineaarisena yhdistelmänä X1, X2, keskeytys ja Y: n arvot viimeksi kuluneiden viiden jakson aikana. Rajoittamaton vektori autoregression Jos haluat mallintaa yhtälöryhmän virheen ehdot vektorin autoregressiiviseksi prosessiksi, käytä AR: n seuraavaa muotoa yhtälöiden jälkeen: Prosessinimi-arvo on mikä tahansa nimi, jonka annat AR: lle käyttääksesi nimeä autoregressiiviselle parametreja. Voit käyttää AR-makroa mallintamalla useita erilaisia ​​AR-prosesseja eri yhtälöryhmille käyttämällä eri prosessien nimeä jokaiselle joukolle. Prosessin nimen avulla varmistetaan, että käytetyt muuttujanimet ovat yksilöllisiä. Käytä prosessin lyhyt prosessinimiarvo, jos parametriarvot kirjoitetaan lähtötietojen joukkoon. AR-makro yrittää rakentaa parametrin nimet, jotka ovat pienempiä tai yhtä suuria kuin kahdeksan merkkiä, mutta prosessin pituus rajoittaa tätä. jota käytetään AR: n parametrin nimien etuliitteenä. Muuttujalla oleva arvo on yhtälöiden endogeenisten muuttujien luettelo. Oletetaan esimerkiksi, että yhtälöissä Y1, Y2 ja Y3 olevat virheet generoidaan toisen kertaluvun vektorin autoregressiivisella prosessilla. Voit käyttää seuraavia lausumia: jotka tuottavat seuraavan Y1: lle ja vastaavalle koodille Y2 ja Y3: Vektoriprosesseihin voidaan käyttää vain ehdollista pienintä neliötä (MCLS tai MCLS n). Voit myös käyttää samaa lomaketta rajoituksin, että kerroinmatriisi on 0 valitulla viiveellä. Esimerkiksi seuraavat lausumat soveltavat kolmannen kertaluvun vektoriprosessia yhtälövirheisiin, kun kaikki kertoimet viiveellä 2 rajoitetaan arvoon 0 ja kertoimet jäljessä 1 ja 3 rajoittamaton: Voit mallintaa kolme sarjaa Y1Y3 vektorina autoregressiivisena prosessina muuttujien sijaan virheissä käyttämällä TYPEV-vaihtoehtoa. Jos haluat mallin Y1Y3 Y1Y3: n aiempien arvojen funktiona ja eräiden eksogeenisten muuttujien tai vakioiden funktiona, voit käyttää AR: ta generoimaan lausekkeet lag-termeille. Kirjoita yhtälö jokaiselle muuttujalle mallin nonautoregressiiviselle osalle ja kirjoita AR: lle TYPEV-vaihtoehto. Esimerkiksi mallin nonautoregressiivinen osa voi olla eksogeenisten muuttujien funktio tai se voi olla keskeytysparametreja. Jos ei ole eksogeenisiä komponentteja vektorin autoregression - malliin, mukaan lukien ei leikkauksia, anna nolla kaikille muuttujille. Jokaiselle muuttujalle on annettava tehtävä, ennen kuin AR: ta kutsutaan. Tämä esimerkki malle - taa vektorin Y (Y1 Y2 Y3) lineaariseksi funktioksi vain sen arvosta edellisissä kahdessa jaksossa ja valkoisen melu - virhevektorin. Mallissa on 18 (3 3 3) parametria. AR-makron syntaksi AR-makron syntaksissa on kaksi tapausta. Kun AR-prosessin rajoituksia ei tarvita, AR-makron syntaksissa on yleinen muoto, joka määrittää AR: n etuliitteen AR: n määrittämiseen tarvittavien muuttujien nimeen. Jos endolistia ei ole määritetty, endogeeninen luettelo on oletusarvoisesti nimeä. joka on yhtälön nimi, jolle AR-virheprosessia on sovellettava. Nimen arvo voi olla enintään 32 merkkiä. On AR-prosessin järjestys. Täsmentää niiden yhtälöiden luettelon, joihin AR-prosessi on tarkoitus soveltaa. Jos annetaan useampi kuin yksi nimi, luodaan rajoittamaton vektoriprosessi, jossa kaikkien yhtälöiden regressorien sisältämien yhtälöiden rakenteelliset jäännökset. Jos ei ole määritelty, endolistin oletusarvoisesti nimi. Määrittää luettelon viiveistä, joilla AR-termit lisätään. Ehdottomien ehtojen kertoimet, joita ei ole lueteltu, asetetaan arvoon 0. Kaikkien lueteltujen viivojen on oltava pienempiä tai yhtä suuria kuin nlag. Ja kopioita ei saa olla. Jos ei ole määritelty, laglistin oletusarvo on kaikki viiveet 1 - nlag. Määrittää toteutettavan arviointimenetelmän. M: n voimassa olevat arvot ovat CLS (ehdollinen pienin neliösumma estimaatteja), ULS (ehdoton pienimmän neliösumman estimaatti) ja ML (maksimin todennäköisyysarviot). MCLS on oletusarvo. Vain MCLS sallitaan, kun määritetään useampi kuin yksi yhtälö. AR: n vektori AR - malleja ei tue ULS - ja ML-menetelmiä. täsmentää, että AR-prosessi on tarkoitus soveltaa itse endogeenisiin muuttujiin yhtälöiden rakenteellisten jäännösmäärien sijaan. Rajoitettu vektorin autoregression Voit hallita, mitkä parametrit sisältyvät prosessiin, rajoittaen 0 niihin parametreihin, joita et sisälly. Ensin, käytä AR: ta DEFER-vaihtoehtoa ilmoittaaksesi muuttujaluettelon ja määrittämällä prosessin mitan. Käytä sitten ylimääräisiä AR-puheluja tuottaaksesi termejä valituille yhtälöille valituilla muuttujilla valitulla viivalla. Esimerkiksi tuotetut Virhe-yhtälöt ovat seuraavat: Tämä malli toteaa, että Y1: n virheet riippuvat sekä Y1: n että Y2: n (mutta ei Y3) virheistä molemmissa viiveissä 1 ja 2 ja että virheet Y2: lle ja Y3: lle riippuvat Aikaisemmat virheet kaikille kolmelle muuttujalle, mutta vain viiveellä 1. AR Macro Syntax rajoitetulle vektorille AR AR: n vaihtoehtoinen käyttö saa asettaa rajoituksia vektori-AR-prosessiin soittamalla AR useita kertoja eri AR-termejä ja viiveitä varten eri yhtälöt. Ensimmäisellä puhelulla on yleinen lomake, joka määrittää AR: n etuliitteen, jota käytetään rakentamaan muuttujien nimet vektori-AR-prosessin määrittämiseksi. Määrittää AR-prosessin järjestyksen. Täsmentää niiden yhtälöiden luettelon, joihin AR-prosessi on tarkoitus soveltaa. määrittelee, että AR ei synny AR-prosessia vaan odottaa myöhempien AR-puheluiden yhteydessä määritettyjä lisätietoja samasta nimestä. Seuraavien puhelujen yleinen muoto on sama kuin ensimmäisessä puhelussa. täsmentää niiden yhtälöiden luettelon, joihin tämän AR-puhelun eritelmät on sovellettava. Ainoastaan ​​nimikentän ensimmäisen puhelun endolist-arvossa määritetyt nimet voivat näkyä yhtälöryhmässä eqlistissa. määritellään luettelo yhtälöistä, joiden viivästyneet rakenteelliset jäännökset on sisällytettävä regressorina eqlist-yhtälöissä. Vain listan nimen ensimmäiseen puhelun endolistin nimet voivat näkyä varlista. Jos ei ole määritetty, varlist oletusarvoisesti endolist. Määrittää luettelon viiveistä, joilla AR-termit lisätään. Ehdottomien ehtojen kertoimet, joita ei ole lueteltu, asetetaan arvoon 0. Kaikkien lueteltujen viivojen on oltava pienempiä tai yhtä suuria kuin nlagin arvot. Ja kopioita ei saa olla. Jos ei ole määritelty, laglist oletusarvoisesti kaikki viivästyy 1: sta nlag. MA-makro SAS-makro MA tuottaa PLAST MODEL - ohjelmointilausekkeita liikkuvia keskimääriä varten. MA-makro on osa SASETS-ohjelmistoa, eikä makroon käytetä erityisiä vaihtoehtoja. Liikkuvaa keskimääräistä virheprosessia voidaan soveltaa rakenteellisten yhtälövirheiden kanssa. MA-makron syntaksi on sama kuin AR-makro, paitsi että TYPE-argumenttia ei ole. Kun käytät MA - ja AR-makroja yhdistettynä, MA-makron on noudatettava AR-makroa. Seuraavat SASIML-lausunnot tuottavat ARMA (1, (1 3)) virheprosessin ja tallentavat sen datajoukkoon MADAT2. Seuraavia PROC MODEL - lausekkeita käytetään arvioimaan tämän mallin parametreja käyttämällä maksimi todennäköisyysvirherakennetta: Tämän aikavälin tuottamien parametrien arviot on esitetty kuviossa 18.61. Kuva 18.61 Arvot ARMA (1, (1 3)) - menetelmästä MA-makron syntaksia on kaksi tapausta. Jos vektori MA-prosessia ei tarvita, MA-makron syntaksissa on yleinen muoto, joka määrittää MA: n etuliitteen käytettäväksi määrittämään MA-prosessin määrittämiseen tarvittavien muuttujien nimet ja on oletushäiriö. On MA-prosessin järjestys. Määrittää yhtälöt, joihin MA-prosessi on tarkoitus soveltaa. Jos käytetään useampaa kuin yhtä nimeä, CLS-estimaattia käytetään vektoriprosessissa. Täsmennetään viiveet, joilla MA-termit lisätään. Kaikkien listattujen viivojen on oltava pienempiä tai yhtä suuria kuin nlag. Ja kopioita ei saa olla. Jos ei määritetä, laglist oletusarvoisesti kaikki viiveet 1 - nlag. Määrittää toteutettavan arviointimenetelmän. M: n voimassa olevat arvot ovat CLS (ehdollinen pienin neliösumma estimaatteja), ULS (ehdoton vähiten neliösumma estimaatteja) ja ML (maksimin todennäköisyysarviot). MCLS on oletusarvo. Vain MCLS sallitaan, kun endolisteissä on määritetty useampi kuin yksi yhtälö. MA-makro-syntaksi rajoitetulle vektorille siirtyminen-keskiarvo MA: n vaihtoehtoisen käytön sallitaan asettaa rajoituksia vektori MA-prosessiin kutsu - malla MA useita kertoja eri MA-termien ja viivästysten määrittelemiseksi eri yhtälöille. Ensimmäisellä puhelulla on yleinen lomake, joka määrittää MA: n etuliitteen käytettäväksi vektori MA-prosessin määrittämisessä tarvittavien muuttujien nimeämisessä. Määrittelee MA-prosessin järjestyksen. Määrittelee niiden yhtälöiden luettelon, joihin MA-prosessi on tarkoitus soveltaa. määrittelee, että MA ei synny MA-prosessia, vaan odottaa myöhempien MA-puheluiden yhteydessä määriteltyjä lisätietoja samasta nimestä. Seuraavien puhelujen yleinen muoto on sama kuin ensimmäisessä puhelussa. Täsmentää niiden yhtälöiden luettelon, joihin tämän MA-kutsun eritelmiä on sovellettava. määrittää yhtälöryhmän, jonka viivästyneet rakenteelliset jäännökset on sisällytettävä regressoreiksi eqlist-yhtälöissä. Määrittelee luettelon viiveistä, joilla MA-termit lisätään.