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模型实验第一局部 实验分析目的及方法一般说来,假设时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进展建模和预则但是, 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展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模型进展建模和分析第二局部 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5.12.2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归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，并利用该模型进展分析预测第三局部 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，结果如下列图：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在每年同时期出现一样的变动趋势，说明m还存在季节特征下面对m的平稳性和季节性·进展进一步检验为了减少m的变动趋势以及异方差性，先对m进展对数化处理，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随着滞后完毕的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性进一步进展单位根检验，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自动选择之后完毕，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 rootE*ogenous: Constant, Linear TrendLag Length: 0 (Automatic - based on SIC, ma*lag=12)t-Statistic  Prob.*Augmented Dickey-Fuller test statistic-8.674646 0.0000Test critical values:1% level-4.0469255% level-3.45276410% 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进展差分处理，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: 22:35Sample: 2005M11 2014M09Included observations: 106AutocorrelationPartial CorrelationAC  PAC Q-Stat Prob    ****|. |    ****|. |1-0.566-0.56634.9340.000       .|* |      **|. |20.113-0.30536.3410.000       .|. |       *|. |30.032-0.09336.4550.000       *|. |       *|. |4-0.084-0.11437.2440.000       .|* |       .|. |50.1050.01538.4940.000       *|. |       *|. |6-0.182-0.18242.2960.000       .|* |       *|. |70.105-0.15643.5630.000       .|. |       *|. |8-0.058-0.17143.9540.000       .|. |       *|. |9-0.019-0.19643.9960.000       .|* |       .|. |100.110-0.04545.4290.000      **|. |      **|. |11-0.242-0.32952.5010.000       .|*** |       .|. |120.3630.02368.5160.000       *|. |       .|. |13-0.2020.03273.5340.000       .|* |       .|* |140.1010.12574.8150.000       .|. |       .|* |150.0040.14174.8170.000       *|. |       *|. |16-0.161-0.08978.1100.000       .|** |       .|. |170.2190.03784.2520.000      **|. |       .|. |18-0.221-0.03690.6230.000       .|* |       .|. |190.089-0.04691.6620.000       *|. |       *|. |20-0.080-0.15892.5160.000       .|. |       .|. |210.067-0.03993.1150.000       .|. |       .|. |220.0680.05693.7490.000      **|. |       *|. |23-0.231-0.130101.080.000       .|*** |       .|* |240.3590.116119.040.000       *|. |       .|* |25-0.1890.123124.090.000       .|. |       .|. |260.0320.034124.230.000       .|. |       .|. |270.0590.037124.740.000       *|. |       .|. |28-0.1260.044127.080.000       .|* |       *|. |290.087-0.079128.210.000       .|. |       .|* |30-0.0500.092128.580.000       .|. |       .|. |31-0.037-0.019128.790.000       .|. |       *|. |32-0.035-0.113128.970.000       .|. |       .|. |330.041-0.056129.240.000       .|* |       .|. |340.078-0.027130.210.000      **|. |       *|. |35-0.215-0.197137.640.000       .|*** |       .|* |360.3800.130161.260.000由dlm的自相关图可知，dlm在滞后期为12、24、36等差的自相关系数均显著异于零。

因此该序列为以12为周期呈现季节性，而且季节自相关系数并没有衰减至零，因此为了考虑这种季节性，进展季节性差分，得新变量sdlm：观察sdlm的自相关图：表3.4 sdlm的自相关图Date: 11/02/14 Time: 22:40Sample: 2005M11 2014M09Included observations: 94AutocorrelationPartial CorrelationAC  PAC Q-Stat Prob    ****|. |    ****|. |1-0.505-0.50524.7670.000      . |. |     ***|. |2-0.057-0.41925.0820.000      . |. |      **|. |30.073-0.29225.6090.000      . |* |      . |. |40.1600.06728.1690.000      **|. |      .*|. |5-0.264-0.12535.2520.000      . |* |      .*|. 。