案例六 美元对欧元汇率ARMA模型应用.doc_第1页
案例六 美元对欧元汇率ARMA模型应用.doc_第2页
案例六 美元对欧元汇率ARMA模型应用.doc_第3页
案例六 美元对欧元汇率ARMA模型应用.doc_第4页
案例六 美元对欧元汇率ARMA模型应用.doc_第5页
免费预览已结束,剩余4页可下载查看

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

案例六 美元对欧元汇率ARMA模型应用在本案例中,我们利用美元对欧元汇率1993年1月到2007年12月的月均价数据数据来源:The Univwesity of British Columbia Sauder School of Business Pacific Exchange Rate Service,网址http:/fx.sauder.ubc.ca/。(参见数据集/ARMA模型应用数据/美元对欧元汇率月均价数据.xls),介绍ARMA模型的识别、估计、检验及预测的方法。1. 创建Eviews工作文件(Workfile)从Eviews主选单中选File/New/Workfile 选择Monthly选项,输入Start date:1993:01 End date:2007:12,方法如案例一介绍。2. 录入数据,并对序列进行初步分析在workfile窗口中选Objects/New Object,新建一个序列对象,命名为EURO,用来保存美元对欧元汇率的月均价数据,并将数据导入。该序列的折线图如图61。图61 美元对欧元汇率月均价序列的折线图从图61我们可以看到,美元对欧元汇率在2001年左右处于高位,2002年以后一直处于下跌的态势。数据序列总体上来说有类似于随机游走过程的形式,应该是非平稳的。3. ARIMA (p, d, q) 模型阶数识别(1)确定单整阶数d我们运用前面介绍的单位根检验来确定单整阶数d。首先对原序列进行ADF检验,根据AIC准则确定ADF检验的滞后阶数p=2(不是ARIMA (p, d, q) 模型的自回归阶数),检验结果如图62。图62 EURO序列单位根检验最终结果 从图62,我们看到ADF的值比10%显著性水平下的临界值都大,不能拒绝原假设,说明EURO序列存在单位根,是非平稳的。我们再对EURO序列的一次差分序列做单位根检验,根据AIC准则确定ADF检验的滞后阶数p=1,检验结果如图63。图63 EURO一次差分序列单位根检验结果 从图63,我们看到ADF的值比1%显著性水平下的临界值都小,所以拒绝原假设,说明EURO一次差分序列不存在单位根,是平稳的。也就是说,序列EURO为1阶单整序列,即EURO I (1)。所以,可以确定单整阶数d=1。(2)确定自回归阶数p和移动平均阶数q创建EURO的一次差分序列,命名为DEURO,下面利用DEURO序列的相关分析图来确定自回归阶数p和移动平均阶数q。图64是DEURO序列的相关分析图。图64 DEURO序列的相关分析图从图64可以看出,DEURO序列的偏自相关函数在滞后1期和滞后2期处显著不为零,可初步判定自回归阶数p=2;自相关函数在滞后1期处显著不为零,初步判定移动平均阶数q=1。至于p和q的最终确定,还要从低阶开始逐步试探,直到定出合适的模型为止。故初步选择适合EURO序列的模型可以有以下几个:ARIMA (1,1,0)、ARIMA (2,1,0)、ARIMA (0,1,1)、ARIMA (1,1,1)、ARIMA (2,1,1)。4. ARIMA (p, d, q) 模型估计与检验(1)ARIMA (1,1,0)模型估计与检验建立ARIMA (1,1,0)模型。建立方程,估计方法选择LS-Least Squares(NLS and ARMA),在方程定义对话窗输入d(euro) c ar(1),得到如图65的估计结果。图65 ARIMA (1,1,0)模型初步估计输出结果可见,常数项不显著,重新估计,方程定义对话窗输入d(euro) ar(1) ,得到如图66的估计结果。图66 ARIMA (1,1,0)模型最终估计输出结果其中,Inverted AR Roots(自回归特征方程根的倒数)是0.31,在单位圆之内,说明模型是平稳的。我们还得到几个有用的检验结果:Adjusted R2 =0.095,AIC=-5.05,SC=-5.03。对残差做白噪声检验。在方程窗口中选中View/Residual Tests/Correlogram Q-statistics,如图67。图67 对残差做白噪声检验点击后,出现如图68对话框。要求填入最大滞后期,根据实验四中的介绍,该残差序列样本容量为178,我们可以取178/10或者,这里我们取13。图68 对残差做白噪声检验对话框点击OK,得到如图69的结果。图69 残差序列白噪声检验结果从K=13一行找到Q统计量的值为13.406,相伴概率(记为p-Q)为0.340 0.05,因此不能拒绝序列相互独立的原假设,残差序列为白噪声的检验通过。利用该模型做静态预测,得到如图610的估计结果。得到MAPE=1.745。图611 为ARIMA (1,1,0)模型预测值与真实值的比较图。图610 ARIMA (1,1,0)模型预测结果图611 ARIMA (1,1,0)模型预测值与真实值比较图通过EURO序列和EUROF序列观察2007年12月的真实值与预测值,并比较,如图612。 图612 2007年12月的真实值与预测值 预测误差为:(2)其他几个模型估计与检验类似ARIMA (1,1,0)模型的操作,建立ARIMA (2,1,0)、ARIMA (0,1,1)、ARIMA (1,1,1)、ARIMA (2,1,1)模型。但ARIMA (1,1,1)、ARIMA (2,1,1)模型没有通过检验。具体估计与检验过程略。(3)模型的评价与选择下面将ARIMA (1,1,0)、 ARIMA (2,1,0)、ARIMA (0,1,1) 模型的参数估计结果和相关检验结果汇总到表61和表62。表61 各模型参数估计结果汇总表模型ARIMA (1,1,0)0.310ARIMA (2,1,0)0.373-0.202ARIMA (0,1,1)0.385表62 各模型相关检验结果指标汇总表模型Adjusted R2AICSCp-QMAPEARIMA (1,1,0)0.095-5.051-5.0330.3401.745-0.018ARIMA (2,1,0)0.126-5.076-5.0400.6981.696-0.015ARIMA (0,1,1)0.122-5.082-5.0640.7271.699-0.019在三个模型都通过了参数显著性水平检验、模型平稳性和可逆性检验和残差序列白噪声检验的前提下,我们通过表62来选择最优模型。6个指标中,Adjusted R2和p-Q应该是越大越好,其它4个是越小越好。可以看出ARIMA (1,1,0)模型明显不好。但是ARIMA (2,1,0)和ARIMA (0,1,1)模型难分伯仲。ARIMA (0,1,1)模型在模型的简洁性角度明显占优,而ARIMA (2,1,0)模型在预测方面明显更好。出于预测的目的,我们最终选择ARIMA (2,1,0)模型。5. ARIMA (p, d, q) 模型外推预测从上面的分析,我们最终选择ARIMA (2,1,0)模型

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论