时间序列分析——ARMA模型实验.doc

基于ARMA模型的社会融资规模增长分析 ————ARMA模型实验 第一部分 实验分析目的及方法 一般说来,若时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进行建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进行处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进行建模和分析。 第二部分 实验数据 2.1数据来源 数据来源于中经网统计数据库。具体数据见附录表5.1 。 2.2所选数据变量 社会融资规模指一定时期内（每月、每季或每年）实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或偿还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。 本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进行分析预测。 第三部分 ARMA模型构建 3.1判断序列的平稳性 首先绘制出M的折线图，结果如下图： 图3.1 社会融资规模M曲线图 从图中可以看出，社会融资规模M序列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现相同的变动趋势，表明m还存在季节特征。下面对m的平稳性和季节性·进行进一步检验。 为了减少m的变动趋势以及异方差性，先对m进行对数化处理，记为lm，其时序图如下： 图3.2 lm曲线图 对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图 表3.1 lm的自相关图 上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后结束的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进行单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后结束，单位根检验结果如下： 表3.2 单位根输出结果 Null Hypothesis: LM has a unit root Exogenous: Constant, Linear Trend Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic ??Prob.* Augmented Dickey-Fuller test statistic -8.674646 ?0.0000 Test critical values: 1% level -4.046925 5% level -3.452764 10% level -3.151911 *MacKinnon (1996) one-sided p-values. 单位根统计量ADF=-8.674646小于临界值，且P为0.0000，因此该序列不存在单位根，即该序列是平稳序列。 由于趋势性会掩盖季节性，从lm图中可以看出，该序列有一定的季节性，为了分析季节性，对lm进行差分处理，进一步观察季节性： 图3.3 dlm曲线图 观察dlm 的自相关表： 表3.3 dlm的自相关图 Date: 11/02/14 Time: 22:35 Sample: 2005M11 2014M09 Included observations: 106 Autocorrelation Partial Correlation AC? ?PAC ?Q-Stat ?Prob ????****|. | ????****|. | 1 -0.566 -0.566 34.934 0.000 ???????.|* | ??????**|. | 2 0.113 -0.305 36.341 0.000 ???????.|. | ???????*|. | 3 0.032 -0.093 36.455 0.000 ???????*|. | ???????*|. | 4 -0.084 -0.114 37.244 0.000 ???????.|* | ???????.|. | 5 0.105 0.015 38.494 0.000 ???????*|. | ???????*|. | 6 -0.182 -0.182 42.296 0.000 ???????.|* | ???????*|