股票数据一阶差分后白噪声

❶ 想对序列建立ARIMA模型，结果一阶差分后序列的自相关和偏自相关都在2倍标准差内，怎么确定P、Q

你这个先看看一阶差分后是否平稳，确定平稳进行白噪声检验，若确定平稳 出现你所说的情况，那它就属于平稳白噪声序列 信息已经被充分提取。

❷ 时间序列的平稳性adf检验和白噪声lb检验的区别

一、DF检验
随机游走序列 Xt=Xt-1+μt是非平稳的，其中μt是白噪声。而该序列可看成是随机模型Xt=ρXt-1+μt中参数ρ= 1时的情形。也就是说，我们对式 Xt=ρXt-1+μt
（1） 做回归，如果确实发现ρ=1，就说随机变量Xt有一个单位根。可变形式成差分形式：Xt=(ρ-1)Xt-1+μ t =δXt-1+ μt
（2）检验
（1）式是否存在单位根ρ=1，也可通过（2）式判断是否有 δ=0检验一个时间序列Xt的平稳性，可通过检验带有截距项的一阶自回归模型 Xt=α+ ρXt-1 +μt （*）中的参数ρ是否小于1。或者：检验其等价变形式Xt=α+ δXt-1+μt（**）中的参数δ是否小于0 。
零假设 H0：δ= 0；备择假设 H1：δ< 0 可通过OLS法估计Xt=α+ δXt-1+μt并计算t统计量的值，与DF分布表中给定显著性水平下的临界值比较：如果：t < 临界值，则拒绝零假设H0：δ= 0 ，认为时间序列不存在单位根，是平稳的。
二、ADF检验
在DF检验中，实际上是假定了时间序列是由具有白噪声随机误差项的一阶自回归过程AR(1)生成的。但在实际检验中，时间序列可能由更高阶的自回归过程生成的，或者随机误差项并非是白噪声，为了保证DF检验中随机误差项的白噪声特性，Dicky和Fuller对DF检验进行了扩充，形成了ADF（Augment Dickey-Fuller ）检验。
进行ADF检验要分3步：
1 对原始时间序列进行检验，此时第二项选level，第三项选None.如果没通过检验，说明原始时间序列不平稳；
2 对原始时间序列进行一阶差分后再检验，即第二项选1st difference，第三项选intercept,若仍然未通过检验，则需要进行二次差分变换；
3 二次差分序列的检验，即第二项选择2nd difference ，第四项选择Trend and intercept.一般到此时间序列就平稳了。
在进行ADF检验时，必须注意以下两个实际问题：
（1）必须为回归定义合理的滞后阶数，通常采用AIC准则来确定给定时间序列模型的滞后阶数。在实际应用中，还需要兼顾其他的因素，如系统的稳定性、模型的拟合优度等。
（2）可以选择常数和线性时间趋势，选择哪种形式很重要，因为检验显著性水平的 t 统计量在原假设下的渐近分布依赖于关于这些项的定义。

❸ ARMA(1,1)模型怎么转换成无穷阶MA模型求所用的GREEN函数 求大神解答啊，期

1、ARMA表达的思想为在金融领域中，很多变量的值既会与自己过去期的表现有关系，又受到过去随机冲击的影响。导入相关的包和模块，读取数据。

❹ 如何用eviews做时间序列模型预测

1、首先建立工作文件，创建并编辑数据。结果如下图所示。

❺ 一阶差分后时间序列不存在可识别的相关性怎么确定阶数，，，急急急111

根据时间序列的平稳性检验，是检验的单位根的，如果是多元线性模型，就是残差项的平稳性。如果残差项是平稳的，则认为整个模型是平稳的。此时残差项可以理解为白噪声的。当然前提是解释变量时同阶单整，如果不是同阶单整，则需要差分变换。滞后期的选择可以用LM确定。

❻ （一）洞庭湖区全部钻孔样个指标的ARIMA模型

1.数据的平稳化处理

从前面的序列图及ACF-PACF图可以知道，各序列数据均值及方差均不是相等的，即序列是非正态、非平稳的，应通过正态变换及差分等方法来消除这种非平稳性。

正态变换采用Box-Cox变换，Box-Cox变换是将原始数据按下式计算：

洞庭湖区第四纪环境地球化学

式中λ为待定参数，计算在Minitab14.0中自动完成。

通过反复试验，Box-Cox变换和一阶差分之后数据的自相关函数和偏相关函数（图7-11）显示数据已能满足ARIMA模型的要求。

从上小节的图7-8看出：序列的自相关系数和偏相关系数均多不截尾，呈缓慢衰减收敛或不收敛状，现通过变换和差分使非平稳时间序列平稳化，自相关系数和偏相关系数具有相似的衰减快的特点，即差分处理后新序列符合ARIMA（p，d，q）模型。

2.参数的选择

如As、Cd等的p=3，表示有3个自回归项，q=1表示移动平均阶数为1，d=1表示一阶差分，所以，它们的模型中各有3个自回归项、1个移动平均项，加上常数项，共5个参数需要估计。由图7-11确定的模型ARIMA（p，d，q）中p、d、q参数列于表7-12中。

表7-12 ARIMA模型的p、d和q参数

续表

3.模型

表7-13即为本区18个地球化学指标的ARIMA模型结果。

表7-13 洞庭湖平原区各种地球化学环境指标的时间演化序列模型

续表

注：F1、F2、F3、F4和“综合”由式（7-1）～式（7-5）构建。

表中：常数项就是自变量为0时因变量的最优预测值，也称为预测基准值。

估计值即因变量的系数值，它反映了自变量对因变量影响的权重。

标准差表明了样本数据的可靠性，在（残差）参数近似服从正态分布条件下，系数加减两倍的标准差近似等于总体参数95%的置信区间，其值越小，置信区间越窄；并且其对于系数的相对值越小，估计结果越精确。

T检验统计量为估计系数与标准误差的比值，检验变量的不相关性。一般给定5%显著水平，则拒绝原假设的0值位于95%的置信区间外，其绝对值必大于2。

概率p值：其值越小，则拒绝原假设不相关性的证据越充分。其值＜0.05，则对应的系数有统计意义。它与t统计量接近2相对应。

上表的模型可用数学式表达，如Cd的模型为

洞庭湖区第四纪环境地球化学

式中：ε_t-1即一阶移动平均，其系数为0.996。

最终模型是否适当，主要检验残差是否是白噪声，即残差各阶自相关系数是否接近0。这里采用的是Ljang-Box检验，从Ljang-Box 检验的p值都大于0.05（图表从略），即残差的各阶自相关系数可以看作0，应当认为残差为白噪声，建立的ARIMA模型是适当的。

图7-11 洞庭湖区钻孔序列样部分指标BOX-COX变换一阶差分ACF-PACF图

❼ 对股票对数收益率序列的一阶差分可以嘛有什么经济含义

取对数：
1.如果各个解释变量的数值差距很大，可以对数值高的变量取对数，使得各变量在同一数量层次，估计方程的结果易于解释和书写。
2.符合经济理论的假设。比如X变量增加百分之几，对Y变量有多大影响。即半弹性，弹性方程。
3.取对数通常会缩小变量的取值范围，使得估计值对因变量和自变量的异常观测不那么明显
差分：
1.计量中需要广义差分方法的时候，如时间序列一阶单整变为弱相关，序列相关用广义差分修正，两时期面板数据作差分控制非观测效应（这个貌似不是对变量差分了。。）

对数差分：
第一次看到是在Ben S.Bernanke&Harold James合著的《大萧条中的金本位制，通货紧缩与金融危机：一个国际比较》。作者基于24个国家的面板数据集，实证研究从通货紧缩到产出的各种传递机制的重要性时，做的回归。各个国家的工业产值的对数差分作为被解释变量，批发价格指数的对数差分，名义出口额的对数差分，名义工资的对数差分等变量作为解释变量。题主看不懂他为什么要将变量做对数差分处理。

❽ 关于时间序列分析的ARMA模型拟合问题，残差白噪声检验通不过怎么办

低是有多低？这里拟合优度到也不是那么地重要，做ECM时有人R²在0.3左右也能用，甚至还有paper中拟合有毒零点零几的，应该没关系

❾ 时间序列做预测，一阶差分后如何进行模型的选取有图

你这个。。差分完已经啥都没有了。。只剩白噪声。。还需要建啥模型？
就是一个最基本的rw。。