2025时间序列分析高频考题全解及配套答案

2025时间序列分析高频考题全解及配套答案

一、单项选择题（每题2分，共20分）1.对平稳AR(1)序列x_t=φx_{t-1}+ε_t，|φ|≥1时，其自相关函数ρ(k)的渐近性质为A.指数衰减B.周期震荡C.恒为1D.不衰减且ρ(k)≡12.在ARIMA(p,d,q)建模中，若对原序列进行一阶差分后仍不平稳，下一步最合理的处理是A.继续差分B.对数变换C.季节差分D.直接拟合ARMA3.对月度数据建立SARIMA(1,1,1)(1,1,1)₁₂模型，其季节周期s为A.4B.7C.12D.244.若某序列的样本PACF在滞后3阶后截尾，而样本ACF拖尾，可初步判定为A.AR(3)B.MA(3)C.ARMA(3,3)D.ARIMA(0,3,0)5.在Box-Jenkins建模流程中，诊断检验阶段常用的Ljung-Box统计量服从A.t分布B.卡方分布C.F分布D.正态分布6.对GARCH(1,1)模型，其无条件方差存在的参数条件是A.α₁+β₁<1B.α₁+β₁>1C.α₁+β₁=1D.α₁β₁<17.指数平滑法中，使预测对最新观测反应最灵敏的平滑参数α应取A.0B.0.1C.0.5D.0.98.当序列存在结构突变时，ADF检验的Size（第一类错误率）会A.不变B.降低C.升高D.趋于09.对VAR(p)模型，若Granger因果检验的F统计量p值<0.05，则A.存在瞬时因果B.存在单向或双向Granger因果C.一定双向因果D.无非线性因果10.在状态空间模型中，Kalman滤波的一步ahead预测误差协方差矩阵更新公式为A.P_{t|t-1}=FP_{t-1|t-1}F'+QB.P_{t|t}=P_{t|t-1}-K_tHP_{t|t-1}C.P_{t|t-1}=HP_{t-1|t-1}H'+RD.P_{t|t}=FP_{t|t-1}F'+Q二、填空题（每题2分，共20分）11.若{x_t}为白噪声，则其谱密度函数f(ω)在[-π,π]上恒等于________。12.对ARMA(p,q)过程，其Green函数递推式中，当k>q时，ψ_k满足线性齐次差分方程，其特征方程由________部分决定。13.对k步最优线性预测，预测误差方差随k增大而________（填“单调增”“单调减”或“不变”）。14.在季节调整中，X-13ARIMA-SEATS采用________滤波器进行趋势估计。15.对IGARCH(1,1)模型，其条件方差冲击具有________记忆性。16.当VAR系统特征多项式|I_p-Az|=0的根全部位于单位圆________时，系统稳定。17.对长记忆ARFIMA(0,d,0)，d的取值范围是________。18.若某序列的样本EACF呈现左上三角为零，则初步定阶为ARMA(________,________)。19.在贝叶斯VAR中，常用________先验对高维系数收缩。20.对多元GARCH-BEKK模型，其条件协方差矩阵正定性由________参数矩阵保证。三、判断题（每题2分，共20分）21.对严格平稳序列，其均值一定存在且有限。22.若MA(q)可逆，则其对应的AR(∞)系数绝对可和。23.对同一序列，AIC与BIC选择的阶数永远相同。24.当α₁+β₁=1时，GARCH(1,1)退化为IGARCH，其条件方差过程为鞅差。25.对非平稳序列直接建立VAR模型会导致伪回归。26.Kalman平滑比滤波多利用未来信息，故平滑估计误差协方差矩阵≤滤波误差协方差矩阵（半正定意义）。27.季节差分∇₁₂x_t=(1-B¹²)x_t可消除季节单位根。28.在谱估计中，加窗平滑会减少泄漏但增大方差。29.对厚尾序列，样本ACF的渐近方差仍可用Bartlett公式1/T近似。30.若残差ARCH-LM检验显著，说明均值方程设定错误。四、简答题（每题5分，共20分）31.简述利用信息准则（AIC/BIC）进行ARMA定阶的基本步骤与注意事项。32.写出GARCH(1,1)模型的条件方差递推式，并解释α₁、β₁的经济含义。33.比较ADF检验与PP检验在异方差稳健性上的差异。34.说明多元GARCH-DCC模型两步估计法的思想及其优点。五、讨论题（每题5分，共20分）35.讨论高频金融收益序列中“波动聚集+长记忆+杠杆效应”并存时，如何构建一个能同时刻画这三类特征的混合模型，并评述其参数可识别性与估计难点。36.考虑COVID-19冲击导致的多阶段结构突变，试设计一种基于状态空间-时变参数的检测框架，并讨论如何区分突变与长记忆。37.在大数据场景下，维度p与样本量T同阶增长，传统VAR面临“维数灾难”。请结合贝叶斯收缩、正则化与因子增广，讨论可行的降维预测策略及其理论保证。38.针对可再生能源出力序列的强季节性、非线性与异方差特征，比较SARIMA-GARCH、Prophet、深度学习LSTM三种建模路线在短期点预测与区间预测上的优劣，并给出选择建议。答案与解析一、单项选择题1.D2.A3.C4.A5.B6.A7.D8.C9.B10.A二、填空题11.σ²/2π12.AR13.单调增14.Henderson15.永久16.外17.(-0.5,0.5)18.(p,q)19.Minnesota20.A、B半正定三、判断题21×22√23×24√25√26√27√28×29×30×四、简答题31.步骤：1)给定最大阶(P,Q)，遍历p≤P,q≤Q；2)用条件最小二乘或MLE估计参数；3)计算AIC=-2lnL+2k，BIC=-2lnL+klnT，k=p+q+1；4)选最小值对应阶数。注意：需确保残差白噪声；BIC相合，AIC可能过拟合；样本小时最大阶不宜过大；需与EACF、残差诊断交叉验证。32.σ_t²=ω+α₁ε_{t-1}²+β₁σ_{t-1}²。α₁衡量新息平方对波动冲击的即时敏感，β₁衡量波动持续性；两者和越接近1，波动记忆越长；经济解释：α₁为“新闻”效应，β₁为“旧波动”惯性。33.ADF用增广项处理自相关，但标准误基于同方差；PP用Newey-WestHAC修正标准误，对未知异方差与自相关稳健，无需指定滞后增广阶，但size与power受核函数与带宽影响。34.第一步用一元GARCH估计各序列条件方差，得标准化残差；第二步用指数平滑或DCC方程估计时变相关系数。优点：参数维度由O(N²)降至O(2)，保证协方差矩阵正定，计算快，适合高维。五、讨论题35.可构建FI-EGARCH-M模型：ARFIMA刻画长记忆均值，EGARCH引入杠杆，GARCH-M引入波动反馈；为控制聚集用GARCH，长记忆用d参数，杠杆用γ符号不对称。参数可识别需|d|<0.5且杠杆系数与波动方程分离；估计难点：似然函数高维非凸，需两阶段或BayesianMCMC，并做识别约束。36.框架：时变参数状态空间，x_t=Z_tβ_t+ε_t，β_t=β_{t-1}+u_tI(t∈Ξ)+v_t，其中Ξ为潜在突变点集；用BayesianOnlineChangepointDetection或TVP-Bayesian稀疏先验检测突变位置；对记忆性，用ARFIMA误差项，d时变；通过比较d估计与突变后残差长记忆检验（如GPH）区分：若突变后d≈0则原长记忆由突变引起，否则并存。37.策略：1)Minnesota+Global-Local收缩先验，对系数按滞后指数衰减并引入稀疏Gibbs；2)Lasso-VAR，用时间加权GroupLasso，理论以Oracle不等式保证预测误差；3)Factor-AugmentedVAR，先提取少量动态因子再低维VAR，依因子结构理论保证当N,T→∞且因子强度足够时预测MSE趋于最优。三者均能在p≈T下保持相合，计算复杂度分别为O(p²),O(p³),O(r³+Np)。38.SARIMA-GARCH优点是可解释强、区间解析，但难捕捉非线性与