股票數據一階差分後白雜訊

❶ 想對序列建立ARIMA模型，結果一階差分後序列的自相關和偏自相關都在2倍標准差內，怎麼確定P、Q

你這個先看看一階差分後是否平穩，確定平穩進行白雜訊檢驗，若確定平穩 出現你所說的情況，那它就屬於平穩白雜訊序列 信息已經被充分提取。

❷ 時間序列的平穩性adf檢驗和白雜訊lb檢驗的區別

一、DF檢驗
隨機遊走序列 Xt=Xt-1+μt是非平穩的，其中μt是白雜訊。而該序列可看成是隨機模型Xt=ρXt-1+μt中參數ρ= 1時的情形。也就是說，我們對式 Xt=ρXt-1+μt
（1） 做回歸，如果確實發現ρ=1，就說隨機變數Xt有一個單位根。可變形式成差分形式：Xt=(ρ-1)Xt-1+μ t =δXt-1+ μt
（2）檢驗
（1）式是否存在單位根ρ=1，也可通過（2）式判斷是否有 δ=0檢驗一個時間序列Xt的平穩性，可通過檢驗帶有截距項的一階自回歸模型 Xt=α+ ρXt-1 +μt （*）中的參數ρ是否小於1。或者：檢驗其等價變形式Xt=α+ δXt-1+μt（**）中的參數δ是否小於0 。
零假設 H0：δ= 0；備擇假設 H1：δ< 0 可通過OLS法估計Xt=α+ δXt-1+μt並計算t統計量的值，與DF分布表中給定顯著性水平下的臨界值比較：如果：t < 臨界值，則拒絕零假設H0：δ= 0 ，認為時間序列不存在單位根，是平穩的。
二、ADF檢驗
在DF檢驗中，實際上是假定了時間序列是由具有白雜訊隨機誤差項的一階自回歸過程AR(1)生成的。但在實際檢驗中，時間序列可能由更高階的自回歸過程生成的，或者隨機誤差項並非是白雜訊，為了保證DF檢驗中隨機誤差項的白雜訊特性，Dicky和Fuller對DF檢驗進行了擴充，形成了ADF（Augment Dickey-Fuller ）檢驗。
進行ADF檢驗要分3步：
1 對原始時間序列進行檢驗，此時第二項選level，第三項選None.如果沒通過檢驗，說明原始時間序列不平穩；
2 對原始時間序列進行一階差分後再檢驗，即第二項選1st difference，第三項選intercept,若仍然未通過檢驗，則需要進行二次差分變換；
3 二次差分序列的檢驗，即第二項選擇2nd difference ，第四項選擇Trend and intercept.一般到此時間序列就平穩了。
在進行ADF檢驗時，必須注意以下兩個實際問題：
（1）必須為回歸定義合理的滯後階數，通常採用AIC准則來確定給定時間序列模型的滯後階數。在實際應用中，還需要兼顧其他的因素，如系統的穩定性、模型的擬合優度等。
（2）可以選擇常數和線性時間趨勢，選擇哪種形式很重要，因為檢驗顯著性水平的 t 統計量在原假設下的漸近分布依賴於關於這些項的定義。

❸ ARMA(1,1)模型怎麼轉換成無窮階MA模型求所用的GREEN函數 求大神解答啊，期

1、ARMA表達的思想為在金融領域中，很多變數的值既會與自己過去期的表現有關系，又受到過去隨機沖擊的影響。導入相關的包和模塊，讀取數據。

❹ 如何用eviews做時間序列模型預測

1、首先建立工作文件，創建並編輯數據。結果如下圖所示。

❺ 一階差分後時間序列不存在可識別的相關性怎麼確定階數，，，急急急111

根據時間序列的平穩性檢驗，是檢驗的單位根的，如果是多元線性模型，就是殘差項的平穩性。如果殘差項是平穩的，則認為整個模型是平穩的。此時殘差項可以理解為白雜訊的。當然前提是解釋變數時同階單整，如果不是同階單整，則需要差分變換。滯後期的選擇可以用LM確定。

❻ （一）洞庭湖區全部鑽孔樣個指標的ARIMA模型

1.數據的平穩化處理

從前面的序列圖及ACF-PACF圖可以知道，各序列數據均值及方差均不是相等的，即序列是非正態、非平穩的，應通過正態變換及差分等方法來消除這種非平穩性。

正態變換採用Box-Cox變換，Box-Cox變換是將原始數據按下式計算：

洞庭湖區第四紀環境地球化學

式中λ為待定參數，計算在Minitab14.0中自動完成。

通過反復試驗，Box-Cox變換和一階差分之後數據的自相關函數和偏相關函數（圖7-11）顯示數據已能滿足ARIMA模型的要求。

從上小節的圖7-8看出：序列的自相關系數和偏相關系數均多不截尾，呈緩慢衰減收斂或不收斂狀，現通過變換和差分使非平穩時間序列平穩化，自相關系數和偏相關系數具有相似的衰減快的特點，即差分處理後新序列符合ARIMA（p，d，q）模型。

2.參數的選擇

如As、Cd等的p=3，表示有3個自回歸項，q=1表示移動平均階數為1，d=1表示一階差分，所以，它們的模型中各有3個自回歸項、1個移動平均項，加上常數項，共5個參數需要估計。由圖7-11確定的模型ARIMA（p，d，q）中p、d、q參數列於表7-12中。

表7-12 ARIMA模型的p、d和q參數

續表

3.模型

表7-13即為本區18個地球化學指標的ARIMA模型結果。

表7-13 洞庭湖平原區各種地球化學環境指標的時間演化序列模型

續表

註：F1、F2、F3、F4和「綜合」由式（7-1）～式（7-5）構建。

表中：常數項就是自變數為0時因變數的最優預測值，也稱為預測基準值。

估計值即因變數的系數值，它反映了自變數對因變數影響的權重。

標准差表明了樣本數據的可靠性，在（殘差）參數近似服從正態分布條件下，系數加減兩倍的標准差近似等於總體參數95%的置信區間，其值越小，置信區間越窄；並且其對於系數的相對值越小，估計結果越精確。

T檢驗統計量為估計系數與標准誤差的比值，檢驗變數的不相關性。一般給定5%顯著水平，則拒絕原假設的0值位於95%的置信區間外，其絕對值必大於2。

概率p值：其值越小，則拒絕原假設不相關性的證據越充分。其值＜0.05，則對應的系數有統計意義。它與t統計量接近2相對應。

上表的模型可用數學式表達，如Cd的模型為

洞庭湖區第四紀環境地球化學

式中：ε_t-1即一階移動平均，其系數為0.996。

最終模型是否適當，主要檢驗殘差是否是白雜訊，即殘差各階自相關系數是否接近0。這里採用的是Ljang-Box檢驗，從Ljang-Box 檢驗的p值都大於0.05（圖表從略），即殘差的各階自相關系數可以看作0，應當認為殘差為白雜訊，建立的ARIMA模型是適當的。

圖7-11 洞庭湖區鑽孔序列樣部分指標BOX-COX變換一階差分ACF-PACF圖

❼ 對股票對數收益率序列的一階差分可以嘛有什麼經濟含義

取對數：
1.如果各個解釋變數的數值差距很大，可以對數值高的變數取對數，使得各變數在同一數量層次，估計方程的結果易於解釋和書寫。
2.符合經濟理論的假設。比如X變數增加百分之幾，對Y變數有多大影響。即半彈性，彈性方程。
3.取對數通常會縮小變數的取值范圍，使得估計值對因變數和自變數的異常觀測不那麼明顯
差分：
1.計量中需要廣義差分方法的時候，如時間序列一階單整變為弱相關，序列相關用廣義差分修正，兩時期面板數據作差分控制非觀測效應（這個貌似不是對變數差分了。。）

對數差分：
第一次看到是在Ben S.Bernanke&Harold James合著的《大蕭條中的金本位制，通貨緊縮與金融危機：一個國際比較》。作者基於24個國家的面板數據集，實證研究從通貨緊縮到產出的各種傳遞機制的重要性時，做的回歸。各個國家的工業產值的對數差分作為被解釋變數，批發價格指數的對數差分，名義出口額的對數差分，名義工資的對數差分等變數作為解釋變數。題主看不懂他為什麼要將變數做對數差分處理。

❽ 關於時間序列分析的ARMA模型擬合問題，殘差白雜訊檢驗通不過怎麼辦

低是有多低？這里擬合優度到也不是那麼地重要，做ECM時有人R²在0.3左右也能用，甚至還有paper中擬合有毒零點零幾的，應該沒關系

❾ 時間序列做預測，一階差分後如何進行模型的選取有圖

你這個。。差分完已經啥都沒有了。。只剩白雜訊。。還需要建啥模型？
就是一個最基本的rw。。