时间串行

时间串行（英语：）是一组按照时间发生先后顺序进行排列的数据点串行。通常一组时间串行的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间串行可以作为离散时间数据进行分析处理。时间串行广泛应用于数理统计、信号处理、模式识别、计量经济学、数学金融、天气预报、地震预测、脑电图、控制工程、航空学、通信工程以及绝大多数涉及到时间数据测量的应用科学与工程学。

内涵

时间串行是用时间排序的一组随机变量，国内生产毛额（GDP）、消费者物价指数（CPI）、加权股价指数、利率、汇率等等都是时间串行。

时间串行的时间间隔可以是分秒（如高频金融数据），可以是日、周、月、季度、年、甚至更大的时间单位。

时间串行是计量经济学所研究的三大数据形态（另两大为横截面数据和面板数据）之一，在总体经济学、国际经济学、金融学、金融工程学等学科中有广泛应用。

时间串行变量的特征
  • 非平稳性（nonstationarity，也译作不平稳性，非稳定性）：即时间串行的变异数无法呈现出一个长期趋势并最终趋于一个常数或是一个线性函数
  • 波动幅度随时间变化（Time－varying Volatility）：即一个时间串行变量的变异数随时间的变化而变化

这两个特征使得有效分析时间串行变量十分困难。

平稳型时间数列（Stationary Time Series）是指一个时间数列其统计特性将不随时间变化而改变。

传统的计量经济学的假设
  1. 假设时间串行变量是从某个随机过程中随机抽取并按时间排列而形成的，因而一定存在一个（狭义）稳定趋势（stationarity），即：平均值是固定的。
  2. 假定时间串行变量的波动幅度不随时间改变，即：变异数是固定的。但这明显不符合实际，人们早就发现股票收益的波动幅度是随时间而变化的，并非常数。

这两个假设使得传统的计量经济学方法对实际生活中的时间串行变量无法有效分析。克莱夫·格兰杰和罗伯特·恩格尔的贡献解决了这个问题。

非平稳性的解决

克莱夫·格兰杰解决了这个问题。

虽然单独看不同的时间串行变量可能具有非平稳性，但按一定结构组合后的新的时间串行变量却可能是平稳的，即这个新的时间串行变量长期来看，会趋向于一个常数或是一个线性函数。

例如，时间串行变量非平稳，但其d阶差分却可能是平稳的；时间串行变量和非平稳，但线性组合却可能是平稳的。

分析非平稳的时间串行变量，可从寻找结构关系入手（例如寻找上述常数b），把非平稳的时间串行平稳化。

共集成性

克莱夫·格兰杰在1981年一篇论文中引入了“共集成性”这个概念（英语：，也译作“协整”）。[1]

如果两个时间串行和各自有集成阶和，而将两串行做某种线性组合后的串行具有更低的“集成阶”：，便称这两个时间串行具有“共集成性”。用上一节的例子说明，若常数存在，那么原时间串行和就具共集成性。

格兰杰和怀思（Weiss）合著的1983年的一篇论文中提出了“格兰杰表述定理”（英语：），证明了以一组特定的动态方程可以重新表述具有“共集成性”的时间串行变量（英语：）之间的动态关系，而这组动态方程更具有经济学含义，从而使得时间串行分析更有效。

波动幅度问题的解决

罗伯特·恩格尔在1982年发表在《计量经济学》杂志（Econometrica）的一篇论文中提出了ARCH模型，解决了时间串行的变异数随时间改变之问题，其中他研究的是英国通货膨胀率的波动性。

ARCH模型
条目：ARCH模型

ARCH模型（英语：，自回归条件异变异数模型）能准确地模拟时间串行变量的波动性的变化，它在金融工程学的实证研究中也应用广泛，使人们能更加准确地把握风险（波动性），尤其是应用在风险价值（Value at Risk）理论中，在华尔街是被广泛应用的工具。

时间串行分析方法的优点
  • 既考虑了观测数据在时间串行上的依存性，又考虑了随机波动的干扰。

相关条目

参考资料
  1. Clive Granger, (1981) "Some Properties of Time Series Data and Their Use in Econometric Model Specification", Journal of Econometrics 16: 121-130.

外部链接
This article is issued from Wikipedia. The text is licensed under Creative Commons - Attribution - Sharealike. Additional terms may apply for the media files.