基于万科A股线性时间序列分析金融统计实验报告.docx

-1-
金融统计分析》实验报告
题目基于万科A股线性时间序列分析
与GARCH模型分析
姓名唐小勇
班级**********
学号**********
-1-
金融统计分析》实验报告参考标准及得分)模型，结果如图六：
arl
ar2
dr3
ar4
ar5

dm匸ereept：
0-0117
0・0170

0435
0・Q272
0573
3皂



0・0132
0・0132

3e-04
order=c(6,0,0}}
3■已.
Bigrma^
0・00043S8:lag
likelihood=13720-72,ala
(图7上证指数日指数收益率AR(6)拟合模型各参数估计值)
拟合的模型为：
X=+++++a
tt—1t—2t一3t—4t一5t一6t
，在显著性5%水平下，根据2倍标准差原则
滞后1,2阶系数显著为0，故修改后的拟合模型为：
X=+++—+a
tt—3t—4t—5t—6t
我们必须仔细检查拟合模型以防止可能存在的模型的非充分性。如果模型是充分的，那么它的残差序列应为白噪声，我们运用Ljung-Box统计量对残差序列进行检验，滞后12阶，结果如图七：
Eok■匸eat(^iduals,Lac=L2,t.\Te=1Lj=_『)
Box-Ljangtest
dm七己:rrASiesid'aals
X-sqaared=32.*?5-5fdf=1"fp-=
pv=L-pcriZ-5q()
pv

(图8上证指数日指数收益率AR(6)拟合模型残差序列Box检验)
其中Q(12)=,并且基于它的渐进分部的自由度为9的卡方分布，%的置信水平下，前拒绝原假设，则残差序列的前12个系数无相关性被拒绝，也就是说残差序列为非白噪声，同时在Q(12)=，(基于咒IO分布)，该模型对数据的动态线性相依性的建模是非充分的。
MA(q)模型建立与分析
建立的AR(p，模型不充分，我们考虑建立MA(q)模型，我们知道自相关函数
ACF是识别一个MA模型阶数的有用工具，对于具有自相关函数Pt的时间序列
X,若Pt丰0但对1>匚有P1=0，则X服从一个MA(q)模型。通过观察该序列的自相关函数，我们首先q=4，建立一个MA(4)的模型。
nl=且疋1111且(syrorder^c(0r0r4))
ml
Call:
arima(x=sy,
□=
=c(0,0f
Coefficients:
mal
ma2

:101匸ercept
0・00E2
0・0179

0・Q516
3e-04
吕•・0132
a・o133

0・0136
3e-04
sigiriaA2estimalLedas

i:log
lik皂IjJiDDd=13710・33faic=-27408・77
(图9上证指数日指数收益率MA(4)拟合模型各参数估计值)模型的表达式为：
X=+++
tt—1t—2t—3t—4
52=
a
，在显著性5%水平下，根据2倍标准差原则滞后
-/
1,2阶系数显著为0，故修改后的拟合模型为：
X=+
tt-3t-4
52=
a我们必须仔细检查拟合模型以防止可能存在的模型的非充分性。如果模型是充分的，那么它的残差序列应为白噪声，我们运用Ljung-Box统计量对残差序列进行检验，滞后12阶，结果表示残差序列为非白噪声，同样在5%的显著性水平下模型非充分。
ARMA(p,q)模型建立与分析
对MA模型，ACF对模型定阶是有用的，因为MA(q)序列的ACF是q步截尾的，对AR模型，PACF对模型定阶是有用的，因为AR(P)序列的PACF是P步截尾的。其实我们观察1992年01月01日到2016年04月11日上证指数日指数收益率的样本自相关函