Lecture05多元時間序列分析方法

Lecture05多元時間序列分析方法MultivariateTimeSeriesAnalysis·從單變量到多變量的建模與預測Contents課程目錄Lecture05多元時間序列分析方法01基本概念與研究背景02弱平穩性與互相關分析03動態回歸模型ARIMAX04協整理論與EG檢驗05向量自回歸VAR模型Chapter01基本概念與研究背景從單變量到多變量：理解多元時間序列的定義、應用場景與發展歷程MULTIVARIATETIMESERIES多元時間序列的定義與數學表達多元時間序列分析是指對多變量時間序列的研究，即同時觀察多個隨時間變化的過程。與一元分析不同，它不僅研究各分量自身的變化規律，更要揭示各分量之間的相互關系和聯動機制。向量序列結構多元時間序列x(t)=(x??,x??,…,x??)由r個一元序列組成的向量序列，每個時間點的觀測值為一個r維向量。x(t)∈?r動態關聯分析分析目標不僅包括各分量的獨立建模，更重要的是揭示各分量之間的動態關系和相互影響機制。交叉依賴·聯動建模典型應用場景氣象預報需同時考慮雨量、氣溫和氣壓等多變量；金融分析需研究多資產收益率的聯動關系與風險傳導。氣象·金融·宏觀經濟多元ARMA模型最典型的模型為多元ARMA，是一元ARMA向多變量情形的自然推廣，但參數估計與建模復雜度顯著增加。VARMA(p,q)APPLICATIONSCENARIOS多元時間序列的典型應用場景多元時間序列分析在金融、工程、氣象等多個領域有廣泛應用。其核心價值在于：現實世界中的變量往往不是孤立變化的，而是相互關聯、彼此影響的。只有通過多元分析，才能捕捉變量間的動態交互關系，實現更精準的建模與預測。金融與經濟學多資產收益率聯動分析：投資者需了解持有的多只股票或基金之間的收益相關性，以優化投資組合風險跨市場傳導效應：全球金融市場高度關聯，一個市場的價格變動能快速擴散到另一個市場投資組合·傳導效應工程與物理科學電路分析：研究電流與電壓同時隨時間變化的耦合關系，用于電路故障診斷和系統穩定性評估化工過程監控：同步監測壓力、溫度和體積等參數的變化，保障生產過程安全與效率耦合分析·過程監控氣象與環境科學氣象預報建模：同時考慮雨量、氣溫和氣壓等多個氣象指標的時序記錄，提升天氣預報準確度空氣質量預測：PM2.5濃度受風速、濕度、溫度等多因子共同影響，需多元模型綜合刻畫預報建模·多因子預測DevelopmentTimeline多元時間序列分析的發展歷程多元時間序列分析經歷了從平穩假設到非平穩建模的重大演進。1976年Cox和Jenkins開創了平穩多元序列建模方法，但受限于嚴格的平穩性要求；1987年Engle和Granger提出協整理論，突破了非平穩序列建模的核心瓶頸，將多元回歸與時間序列分析有機結合，極大推動了該領域的發展。RobertEngle&CliveGranger·2003年諾貝爾經濟學獎得主011976年Cox和Jenkins首次將時間序列分析從一元推廣到多元，以天然氣輸入速率研究CO?輸出濃度，開創了多元建模先河02早期方法要求輸入序列和輸出序列均滿足平穩性條件，這一苛刻假設嚴重限制了多元時間序列分析在實際中的廣泛應用031987年Engle和Granger提出協整理論，不要求所有序列平穩而僅要求回歸殘差平穩，從根本上突破了非平穩建模瓶頸04協整理論將多元回歸分析與時間序列分析有機結合，顯著提高了預測精度，Engle和Granger因此榮獲2003年諾貝爾經濟學獎MULTIVARIATEVSUNIVARIATE一元與多元時間序列分析的關鍵差異多元分析在數據結構、目標與建模三方面面臨全新挑戰：數據升級為向量，焦點轉向變量交互，工具擴展到互相關矩陣與VAR模型。數據結構差異01一元序列每時刻僅一個標量值，多元序列為r維向量，以矩陣形式存儲02R中可存為矩陣、數據框、ts或xts，結構選擇影響函數兼容性向量矩陣分析目標差異01一元聚焦趨勢與自相關；多元核心揭示分量間互相關與動態交互02需額外關注引導滯后、同步相關與反饋機制等變量間關系變量交互建模方法差異01ACF/PACF擴展為互相關矩陣CCM，不對稱性與多維下標增加復雜度02引入VAR、VECM等向量模型，參數隨維度平方級增長參數爆炸CASESTUDY案例引入：IBM與標普500的聯動分析以IBM股票與標普500指數近83年的月度收益率數據為案例，直觀展示多元時間序列分析的核心價值：不僅關注單只資產的收益特征，更要揭示個股與大盤之間的引導滯后關系和動態聯動機制，為投資決策提供定量依據。紐約證券交易所（NYSE）·數據來源地標01數據集涵蓋1926年1月至2008年12月的月度對數收益率，共996個觀測點，以百分之一為單位記錄。02一元分析只能分別刻畫IBM和標普500各自的收益率分布特征和時序自相關性，無法揭示兩者間的聯動關系。03多元分析關注的核心問題：IBM收益率是否領先于大盤變動？兩者間是單向引導關系還是雙向反饋機制？04解答這些問題需要互相關矩陣、VAR模型等多元分析工具，這正是后續章節要系統學習的核心方法論。CHAPTER02弱平穩性與互相關分析多元時間序列的理論基石：弱平穩條件、互相關矩陣與線性相依關系分類Definition·MultivariateTimeSeries多元時間序列的弱平穩性定義多元弱平穩性是一元弱平穩向向量情形的自然推廣，要求序列的均值向量為常數、協方差矩陣僅依賴于時間間隔而非具體時間、且協方差矩陣有限正定。01MeanVector均值向量恒定E[X(t)]=μ與時間t無關，為r維常數向量，每個分量的期望值在時間維度上保持恒定。E[X(t)]=μ02Covariance協方差僅依賴間隔Cov(X(t+k),X(t))=Γ(k)僅依賴于時間間隔k而與具體時間t無關，Γ(k)為r×r階方陣。Γ(k)03PositiveSemi-Definite協方差矩陣半正定Γ(0)為對稱半正定矩陣，對角線元素Γii(0)為各分量方差，非對角元素為分量間協方差。Γ(0)?004ModelingPrerequisite建模前提條件弱平穩性是ARIMAX、VAR等模型建模的必要前提，非平穩序列需先通過差分等方法轉化為平穩序列。ARIMAX·VARCROSS-CORRELATIONMATRIX互相關矩陣CCM的定義與核心性質互相關矩陣(CCM)是多元時間序列分析的核心工具，其元素ρij(k)刻畫了分量xi(t)與xj(t+k)之間的線性相關性。與一元自相關函數不同，CCM在滯后非零時一般不對稱，這一特性使得我們能夠區分變量間的引導方向。滯后k的互相關陣ρ(k)元素ρij(k)為xi(t)與xj(t+k)的相關系數，反映分量間跨時間段的線性依賴強度。該矩陣捕捉了變量間動態關聯的時間結構特征。時間序列相關性同步互相關陣ρ(0)對角線全1的對稱半正定陣，ρij(0)稱為共點相關系數，度量兩分量在同一時刻的相關程度。它是多元分析中靜態關聯的基礎度量。對稱陣半正定滯后非零時不對稱ρij(k)≠ρji(k)，前者表示xi對xj的k步引導效應，后者反映反向引導關系。這種不對稱性是識別因果方向的關鍵依據。因果推斷方向性轉置對稱性ρ(k)=ρ(?k)?，實際分析中只需考慮k≥0的互相關矩陣即可獲取完整信息。這一性質顯著降低了計算復雜度與存儲需求。轉置關系計算優化Lecture05·多元時間序列分析方法互相關矩陣的可視化與樣本估計多元時間序列的互相關矩陣因三維下標而難以直接判讀，Tiao和Box提出的符號矩陣法將數值轉化為三種符號，使分析者能快速識別變量間的顯著相關模式與引導方向。Tiao-Box符號矩陣法用"+"表示顯著正相關、"-"表示顯著負相關、"·"表示不顯著，以0.05漸近水平為判定閾值，將高維數值矩陣轉化為直覺可讀的符號圖譜。+/?/·三種符號RFunctionccf()函數使用ccf(x,y)計算樣本互相關系數并自動作圖；設置type='covariance'可切換為互協方差函數計算，是R中分析變量間時滯關系的核心工具。ccf(x,y)核心函數Lead-Lag引導方向判斷k>0時ρij(k)顯著說明xi對xj有領先影響；k<0時顯著則說明xj對xi有領先影響，據此判斷變量間的引導方向。xi→xj時滯引導Significance顯著性檢驗樣本互相關陣的估計需滿足正定性條件；當序列為白噪聲時，樣本互相關系數漸近服從已知分布，可用于嚴格的顯著性檢驗。0.05漸近水平Lecture05·多元時間序列分析時間序列間線性相依關系的五種分類基于互相關矩陣的結構特征，多元弱平穩序列中兩個分量間的線性相依關系可系統分為五種類型，為變量間因果關系的初步判斷提供了定量框架。無引導關系不相關對任意k都有ρij(k)=0，兩分量在任何時滯下均無線性關聯，可獨立建模同步相關僅ρij(0)≠0而交叉滯后相關為零，兩變量同時變動但互不引導分離序列無引導滯后關系但可能有同步相關，交叉互相關全部為零ρij(k)=0單向引導關系傳導機制xi不依賴xj的過去值，但xj依賴xi的過去值，形成從xi到xj的單向領先關系。這種結構在宏觀政策傳導、產業鏈上下游聯動中廣泛存在典型案例宏觀利率變動領先于股市收益率，央行貨幣政策對市場有單向傳導效應。利率調整通常提前1-3個月反映在資產價格中xi→xj雙向反饋關系閉環機制存在k和l使得ρij(k)≠0且ρji(l)≠0，兩分量互為引導和滯后，形成閉環反饋系統。識別此類關系需借助格蘭杰因果檢驗典型案例GDP增長率與失業率雙向反饋——經濟下行推高失業，高失業又進一步拖累經濟。奧肯定律揭示了這種典型的雙向動態關聯xi?xjCHAPTER03動態回歸模型ARIMAX將多元回歸與時間序列建模有機結合，處理平穩多變量序列的經典方法ARIMAX·ModelingFrameworkARIMAX模型的構造思想與數學框架ARIMAX模型(帶輸入變量的ARIMA模型)通過兩步建模策略處理平穩多元序列：先用多元回歸捕捉輸入變量對響應變量的線性影響，再用ARMA模型提取回歸殘差中的時序自相關信息。這種'回歸+殘差建模'的框架同時利用了截面信息和時序信息，顯著提升了預測精度。01假設響應序列y(t)和輸入變量序列xi(t)均平穩，構建響應序列關于輸入變量及其滯后項的多元回歸模型多元回歸02平穩序列的線性組合仍平穩，回歸殘差序列ε(t)為平穩序列，但可能包含未被回歸解釋的時序信息殘差平穩性03對殘差序列用ARMA模型建模，提取自回歸和移動平均信息，最終模型=回歸部分+ARMA殘差部分回歸+ARMA04各輸入變量可包含不同的延遲階數和多項式階數，通過Φi(B)和θi(B)分別表示自回歸和移動平均系數多項式Φi(B)·θi(B)STATIONARITY&SPURIOUSREGRESSION平穩性要求與虛假回歸問題ARIMAX要求所有序列滿足平穩性，否則非平穩序列間回歸極易產生"虛假回歸"，導致納偽錯誤——這一問題直接推動了協整理論的發展。前提假設響應序列與所有輸入變量序列均為平穩序列，模型有效性與預測精度依賴于此假設成立。平穩性虛假回歸兩個各自帶趨勢的非平穩序列即使無因果聯系，回歸分析也可能得到高R2與顯著t統計量。高R2納偽錯誤虛假回歸導致研究者接受本不應成立的模型（第一類錯誤），顯著性水平α只能控制概率而無法根本消除。TypeIError根本原因非平穩序列的共同趨勢使回歸殘差不平穩，違背經典回歸基本假設，需要協整理論來解決。協整理論MODELINGWORKFLOWARIMAX模型的實際建模步驟ARIMAX模型的實際應用遵循"平穩性檢驗→變量選擇→模型構建→診斷檢驗"四步流程。每一步都有明確的統計檢驗標準，在R語言中可通過arimax()函數配合xreg參數高效實現。01平穩性檢驗對所有變量進行ADF檢驗或KPSS檢驗，非平穩序列需差分轉化為平穩后才能進入ARIMAX框架ADF/KPSS02變量選擇通過互相關分析CCM識別顯著輸入變量及其最優滯后階數，確定回歸部分的變量組成和延遲結構CCMAnalysis03模型構建構建回歸模型并用ARMA擬合殘差，AR/MA階數通過AIC或BIC信息準則選擇，平衡擬合度與復雜度AIC/BIC04診斷檢驗對殘差進行白噪聲檢驗（Ljung-Box）和正態性檢驗，確保模型充分提取了數據中的相關信息Ljung-BoxARIMAX應用案例案例：基于ARIMAX的居民消費預測模型以居民人均消費預測為例，將收入作為輸入變量構建ARIMAX模型，相比僅用消費自身信息的一元ARIMA模型，能夠顯著提升預測精度。關鍵在于：消費受收入影響且存在滯后效應——收入變動對消費的影響可能延遲數個周期才能完全體現，ARIMAX通過引入滯后項精確捕捉了這種傳導機制。01一元ARIMA模型僅利用消費序列自身的歷史信息進行預測，忽略了收入等重要影響因素，預測精度存在理論上限02將收入作為輸入變量構建ARIMAX模型，同時利用消費和收入的歷史信息，信息來源更豐富，預測精度顯著提升03消費對收入的響應通常存在滯后效應：收入變動對消費的影響可能延遲數月才能完全體現，需通過滯后項捕捉傳導時滯04實際建模中需注意：收入和消費數據需經季節調整和通脹修正后才能滿足平穩性假設，否則應采用協整方法替代居民消費行為的真實場景CHAPTER04協整理論與EG檢驗突破非平穩序列建模瓶頸：協整的概念、Engle-Granger兩步法與Johansen方法COINTEGRATION協整的基本概念與直覺理解協整是指兩個或多個非平穩時間序列之間存在某種線性組合使結果平穩的現象。直覺上，如同兩個隨機游走的人始終保持固定距離，非平穩序列間可能因經濟均衡力量而被'綁定'在一起。定義—若多個序列各自為非平穩的I(d)過程，但存在線性組合使其降階為I(d?b)過程（b>0），則稱這些序列之間存在協整關系直覺理解—兩個各自隨機游走的非平穩序列，可能因經濟均衡力量而被"綁定"，它們的差距始終在有限范圍內波動經濟含義—協整關系代表變量間的長期均衡關系，如消費與收入、進口與出口、利率與匯率之間存在穩定的長期比例關系誤差糾正機制—當系統短期偏離長期均衡時，存在一種糾正力量使變量重新向均衡靠攏，這是誤差糾正模型ECM的理論基礎COINTEGRATIONTESTEngle-Granger兩步法(EG檢驗)EG兩步法是協整檢驗的經典方法：第一步對非平穩序列做OLS回歸獲取殘差，第二步對殘差進行ADF單位根檢驗。若殘差平穩則序列間存在協整關系。關鍵注意：EG檢驗的ADF臨界值與標準ADF不同，必須使用EG專用臨界值表，否則會高估協整顯著性。01第一步：協整回歸對非平穩序列y(t)和x(t)用OLS方法回歸y(t)=α+βx(t)+e(t)，估計協整參數并獲取殘差序列e(t)OLS02第二步：殘差檢驗對殘差序列e(t)進行ADF單位根檢驗，若拒絕存在單位根的原假設，則殘差平穩，序列間存在協整關系ADF03臨界值修正EG檢驗中ADF臨界值與標準ADF不同，因殘差是估計量而非觀測值，須使用MacKinnon專用臨界值表MacKinnon04局限性EG兩步法僅適用于兩變量情形且只能識別一個協整關系，多變量多協整關系場景需用Johansen方法替代JohansenLecture05·多元時間序列分析Johansen檢驗與誤差糾正模型ECMJohansen檢驗將協整分析從雙變量擴展到多變量框架，基于VAR模型通過跡檢驗和最大特征值檢驗確定協整秩。誤差糾正模型ECM將協整關系與短期動態統一建模，是連接長短期關系的關鍵橋梁。Johansen協整檢驗基于VAR模型框架，通過檢驗系數矩陣Π的秩來確定協整關系個數，適用于多變量多協整關系的復雜系統提供跡檢驗與最大特征值檢驗兩種方法，從不同角度檢驗協整秩r的取值VAR·Trace誤差糾正模型ECM將長期均衡與短期動態變化統一在一個模型中，既描述變量短期波動，又刻畫向長期均衡回歸的糾正機制誤差糾正項ECM(t-1)代表偏離均衡的程度，系數為負且絕對值越大，回歸均衡速度越快ECM(t-1)兩者關系Granger表述定理：若變量間存在協整關系，則必然存在對應的ECM表述，協整是ECM成立的充要條件實際流程：先做協整檢驗確認長期關系，再建立ECM估計長短期參數，最后進行預測和政策分析GrangerCOINTEGRATION·APPLICATION協整分析的應用：現貨與期貨價格關系現貨與期貨因套利機制保持長期均衡，短期偏離會被市場糾正；ECM誤差糾正系數越大，市場效率越高。01理論基礎：持有成本模型（CostofCarry）預測現貨與期貨價格在到期日必須趨同，二者之間應存在協整關系。02套利機制：當價格偏離均衡時，套利者買入低估資產、賣出高估資產獲取無風險利潤，推動價格回歸均衡。03ECM建模：誤差糾正項系數反映套利效率——系數越大說明市場摩擦越小、價格發現效率越高，偏離持續時間越短。04交易策略：基于ECM的統計套利在配對交易（PairsTrading）中廣泛應用，利用均值回歸特性構建市場中性組合。期貨交易所交易大廳實景Chapter05向量自回歸VAR模型最廣泛應用的多元時間序列模型：VAR的定義、估計、階數選擇與預測VECTORAUTOREGRESSIONVAR模型的定義與數學表達向量自回歸VAR(p)模型將每個變量建模為自身及所有其他變量前p期滯后值的線性組合，所有變量被平等視為內生變量，每個方程可獨立用OLS估計。01模型形式：x(t)=c+Φ?x(t?1)+Φ?x(t?2)+…+Φ?x(t?p)+ε(t)，其中Φ?為r×r系數矩陣，ε(t)為白噪聲向量x(t)∈??02核心特點：所有變量均被視為內生變量，每個變量關于自身和所有其他變量的p階滯后值回歸，無需先驗區分內外生變量全內生03估計方法：每個方程解釋變量相同（均為所有變量的滯后值），可直接用OLS對每個方程分別估計，等價于廣義最小二乘估計OLS04適用條件：要求所有變量平穩；若變量非平穩但存在協整關系，應使用向量誤差糾正模型VECM替代標準VAR模型VECMMODELSELECTION&DIAGNOSTICSVAR模型的階數選擇與診斷檢驗VAR模型階數選擇是建模的核心決策，常用AIC、BIC和HQ三種信息準則綜合判定。AIC傾向較大階數(可能過擬合)，BIC傾向較小階數(更簡潔)，實踐中應參考多個準則取共識。模型診斷重點檢驗殘差是否為白噪聲：若殘差存在自相關說明信息未充分提取，需增加滯后階數。信息準則選擇對p=1,2,…,P分別估計VAR模型，用AIC/BIC/HQ準則選擇最優階數。AIC傾向過擬合，BIC傾向更簡潔，建議綜合多準則取共識。AIC·BIC·HQ殘差白噪聲檢驗用Portmanteau檢驗或多變量Ljung-Box檢驗判斷殘差自相關性。若殘差非白噪聲，說明模型階數不足，需增加滯后階數重新估計。Ljung-Box殘差正態性檢驗用Jarque-Bera檢驗判斷殘差是否服從多元正態分布。非正態性會影響參數推斷的可靠性，大樣本下可適當放寬要求。Jarque-Bera穩定性檢驗檢驗VAR模型特征方程的根是否全部位于單位圓內，確保模型滿足平穩性條件，保證脈沖響應分析和預測結果不發散。單位圓VAR模型結果解讀脈沖響應函數與方差分解分析VAR模型的結果解讀依賴兩個核心工具：脈沖響應函數(IRF)追蹤單個變量沖擊對其他變量的動態傳導路徑和持續時間；方差分解(FEVD)量化各變量沖擊對預測誤差方差的貢獻比例。兩者結合能從動態視角揭示變量間的因果傳導機制和相對影響力大小。貨幣政策制定機構01脈沖響應函數IRF描述某變量受到一個標準差沖擊后，其他變量在未來各期的動態響應路徑，直觀展示沖擊的傳導方向、峰值時點和衰減速度。實際應用：央行加息一個標準差沖擊對GDP的脈沖響應——GDP在第2–3季度出現最大負向響應，約6–8個季度后沖擊效應消退。02方差分解FEVD將某變量的h步預測誤差方差分解為各變量沖擊的貢獻比例，量化不同變量對該變量預測不確定性的相對重要性。實際應用：GDP預測誤差的方差分解——短期主要由自身沖擊解釋（80%+），長期中通脹和利率沖擊的貢獻逐步增大至30%+。GrangerCausalityTestGranger因果關系檢驗Granger因果檢驗在VAR框架下檢驗變量間的預測因果關系：若加入X的滯后值后Y的預測精度顯著提升，則稱X是Y的Granger原因。需注意Granger因果是統計預測意義上的關系而非真實因果機制，對滯后階數敏感，且僅檢測線性因果關系。01定義若在已知Y的過去值條件下，加入X的過去值能顯著降低Y的預測誤差方差，則稱XGranger導致YPredictionErrorVariance02檢驗方法比較受限模型（不含X滯后值）與非受限模型（含X滯后值）的擬合差異，用F檢驗或Wald檢驗判斷顯著性F-Test/WaldTe