Lecture05多元时间序列分析方法

Lecture05多元时间序列分析方法MultivariateTimeSeriesAnalysis·从单变量到多变量的建模与预测Contents课程目录Lecture05多元时间序列分析方法01基本概念与研究背景02弱平稳性与互相关分析03动态回归模型ARIMAX04协整理论与EG检验05向量自回归VAR模型Chapter01基本概念与研究背景从单变量到多变量：理解多元时间序列的定义、应用场景与发展历程MULTIVARIATETIMESERIES多元时间序列的定义与数学表达多元时间序列分析是指对多变量时间序列的研究，即同时观察多个随时间变化的过程。与一元分析不同，它不仅研究各分量自身的变化规律，更要揭示各分量之间的相互关系和联动机制。向量序列结构多元时间序列x(t)=(x₁ₜ,x₂ₜ,…,xᵣₜ)由r个一元序列组成的向量序列，每个时间点的观测值为一个r维向量。x(t)∈ℝr动态关联分析分析目标不仅包括各分量的独立建模，更重要的是揭示各分量之间的动态关系和相互影响机制。交叉依赖·联动建模典型应用场景气象预报需同时考虑雨量、气温和气压等多变量；金融分析需研究多资产收益率的联动关系与风险传导。气象·金融·宏观经济多元ARMA模型最典型的模型为多元ARMA，是一元ARMA向多变量情形的自然推广，但参数估计与建模复杂度显著增加。VARMA(p,q)APPLICATIONSCENARIOS多元时间序列的典型应用场景多元时间序列分析在金融、工程、气象等多个领域有广泛应用。其核心价值在于：现实世界中的变量往往不是孤立变化的，而是相互关联、彼此影响的。只有通过多元分析，才能捕捉变量间的动态交互关系，实现更精准的建模与预测。金融与经济学多资产收益率联动分析：投资者需了解持有的多只股票或基金之间的收益相关性，以优化投资组合风险跨市场传导效应：全球金融市场高度关联，一个市场的价格变动能快速扩散到另一个市场投资组合·传导效应工程与物理科学电路分析：研究电流与电压同时随时间变化的耦合关系，用于电路故障诊断和系统稳定性评估化工过程监控：同步监测压力、温度和体积等参数的变化，保障生产过程安全与效率耦合分析·过程监控气象与环境科学气象预报建模：同时考虑雨量、气温和气压等多个气象指标的时序记录，提升天气预报准确度空气质量预测：PM2.5浓度受风速、湿度、温度等多因子共同影响，需多元模型综合刻画预报建模·多因子预测DevelopmentTimeline多元时间序列分析的发展历程多元时间序列分析经历了从平稳假设到非平稳建模的重大演进。1976年Cox和Jenkins开创了平稳多元序列建模方法，但受限于严格的平稳性要求；1987年Engle和Granger提出协整理论，突破了非平稳序列建模的核心瓶颈，将多元回归与时间序列分析有机结合，极大推动了该领域的发展。RobertEngle&CliveGranger·2003年诺贝尔经济学奖得主011976年Cox和Jenkins首次将时间序列分析从一元推广到多元，以天然气输入速率研究CO₂输出浓度，开创了多元建模先河02早期方法要求输入序列和输出序列均满足平稳性条件，这一苛刻假设严重限制了多元时间序列分析在实际中的广泛应用031987年Engle和Granger提出协整理论，不要求所有序列平稳而仅要求回归残差平稳，从根本上突破了非平稳建模瓶颈04协整理论将多元回归分析与时间序列分析有机结合，显著提高了预测精度，Engle和Granger因此荣获2003年诺贝尔经济学奖MULTIVARIATEVSUNIVARIATE一元与多元时间序列分析的关键差异多元分析在数据结构、目标与建模三方面面临全新挑战：数据升级为向量，焦点转向变量交互，工具扩展到互相关矩阵与VAR模型。数据结构差异01一元序列每时刻仅一个标量值，多元序列为r维向量，以矩阵形式存储02R中可存为矩阵、数据框、ts或xts，结构选择影响函数兼容性向量矩阵分析目标差异01一元聚焦趋势与自相关；多元核心揭示分量间互相关与动态交互02需额外关注引导滞后、同步相关与反馈机制等变量间关系变量交互建模方法差异01ACF/PACF扩展为互相关矩阵CCM，不对称性与多维下标增加复杂度02引入VAR、VECM等向量模型，参数随维度平方级增长参数爆炸CASESTUDY案例引入：IBM与标普500的联动分析以IBM股票与标普500指数近83年的月度收益率数据为案例，直观展示多元时间序列分析的核心价值：不仅关注单只资产的收益特征，更要揭示个股与大盘之间的引导滞后关系和动态联动机制，为投资决策提供定量依据。纽约证券交易所（NYSE）·数据来源地标01数据集涵盖1926年1月至2008年12月的月度对数收益率，共996个观测点，以百分之一为单位记录。02一元分析只能分别刻画IBM和标普500各自的收益率分布特征和时序自相关性，无法揭示两者间的联动关系。03多元分析关注的核心问题：IBM收益率是否领先于大盘变动？两者间是单向引导关系还是双向反馈机制？04解答这些问题需要互相关矩阵、VAR模型等多元分析工具，这正是后续章节要系统学习的核心方法论。CHAPTER02弱平稳性与互相关分析多元时间序列的理论基石：弱平稳条件、互相关矩阵与线性相依关系分类Definition·MultivariateTimeSeries多元时间序列的弱平稳性定义多元弱平稳性是一元弱平稳向向量情形的自然推广，要求序列的均值向量为常数、协方差矩阵仅依赖于时间间隔而非具体时间、且协方差矩阵有限正定。01MeanVector均值向量恒定E[X(t)]=μ与时间t无关，为r维常数向量，每个分量的期望值在时间维度上保持恒定。E[X(t)]=μ02Covariance协方差仅依赖间隔Cov(X(t+k),X(t))=Γ(k)仅依赖于时间间隔k而与具体时间t无关，Γ(k)为r×r阶方阵。Γ(k)03PositiveSemi-Definite协方差矩阵半正定Γ(0)为对称半正定矩阵，对角线元素Γii(0)为各分量方差，非对角元素为分量间协方差。Γ(0)≽004ModelingPrerequisite建模前提条件弱平稳性是ARIMAX、VAR等模型建模的必要前提，非平稳序列需先通过差分等方法转化为平稳序列。ARIMAX·VARCROSS-CORRELATIONMATRIX互相关矩阵CCM的定义与核心性质互相关矩阵(CCM)是多元时间序列分析的核心工具，其元素ρij(k)刻画了分量xi(t)与xj(t+k)之间的线性相关性。与一元自相关函数不同，CCM在滞后非零时一般不对称，这一特性使得我们能够区分变量间的引导方向。滞后k的互相关阵ρ(k)元素ρij(k)为xi(t)与xj(t+k)的相关系数，反映分量间跨时间段的线性依赖强度。该矩阵捕捉了变量间动态关联的时间结构特征。时间序列相关性同步互相关阵ρ(0)对角线全1的对称半正定阵，ρij(0)称为共点相关系数，度量两分量在同一时刻的相关程度。它是多元分析中静态关联的基础度量。对称阵半正定滞后非零时不对称ρij(k)≠ρji(k)，前者表示xi对xj的k步引导效应，后者反映反向引导关系。这种不对称性是识别因果方向的关键依据。因果推断方向性转置对称性ρ(k)=ρ(−k)ᵀ，实际分析中只需考虑k≥0的互相关矩阵即可获取完整信息。这一性质显著降低了计算复杂度与存储需求。转置关系计算优化Lecture05·多元时间序列分析方法互相关矩阵的可视化与样本估计多元时间序列的互相关矩阵因三维下标而难以直接判读，Tiao和Box提出的符号矩阵法将数值转化为三种符号，使分析者能快速识别变量间的显著相关模式与引导方向。Tiao-Box符号矩阵法用"+"表示显著正相关、"-"表示显著负相关、"·"表示不显著，以0.05渐近水平为判定阈值，将高维数值矩阵转化为直觉可读的符号图谱。+/−/·三种符号RFunctionccf()函数使用ccf(x,y)计算样本互相关系数并自动作图；设置type='covariance'可切换为互协方差函数计算，是R中分析变量间时滞关系的核心工具。ccf(x,y)核心函数Lead-Lag引导方向判断k>0时ρij(k)显著说明xi对xj有领先影响；k<0时显著则说明xj对xi有领先影响，据此判断变量间的引导方向。xi→xj时滞引导Significance显著性检验样本互相关阵的估计需满足正定性条件；当序列为白噪声时，样本互相关系数渐近服从已知分布，可用于严格的显著性检验。0.05渐近水平Lecture05·多元时间序列分析时间序列间线性相依关系的五种分类基于互相关矩阵的结构特征，多元弱平稳序列中两个分量间的线性相依关系可系统分为五种类型，为变量间因果关系的初步判断提供了定量框架。无引导关系不相关对任意k都有ρij(k)=0，两分量在任何时滞下均无线性关联，可独立建模同步相关仅ρij(0)≠0而交叉滞后相关为零，两变量同时变动但互不引导分离序列无引导滞后关系但可能有同步相关，交叉互相关全部为零ρij(k)=0单向引导关系传导机制xi不依赖xj的过去值，但xj依赖xi的过去值，形成从xi到xj的单向领先关系。这种结构在宏观政策传导、产业链上下游联动中广泛存在典型案例宏观利率变动领先于股市收益率，央行货币政策对市场有单向传导效应。利率调整通常提前1-3个月反映在资产价格中xi→xj双向反馈关系闭环机制存在k和l使得ρij(k)≠0且ρji(l)≠0，两分量互为引导和滞后，形成闭环反馈系统。识别此类关系需借助格兰杰因果检验典型案例GDP增长率与失业率双向反馈——经济下行推高失业，高失业又进一步拖累经济。奥肯定律揭示了这种典型的双向动态关联xi⇄xjCHAPTER03动态回归模型ARIMAX将多元回归与时间序列建模有机结合，处理平稳多变量序列的经典方法ARIMAX·ModelingFrameworkARIMAX模型的构造思想与数学框架ARIMAX模型(带输入变量的ARIMA模型)通过两步建模策略处理平稳多元序列：先用多元回归捕捉输入变量对响应变量的线性影响，再用ARMA模型提取回归残差中的时序自相关信息。这种'回归+残差建模'的框架同时利用了截面信息和时序信息，显著提升了预测精度。01假设响应序列y(t)和输入变量序列xi(t)均平稳，构建响应序列关于输入变量及其滞后项的多元回归模型多元回归02平稳序列的线性组合仍平稳，回归残差序列ε(t)为平稳序列，但可能包含未被回归解释的时序信息残差平稳性03对残差序列用ARMA模型建模，提取自回归和移动平均信息，最终模型=回归部分+ARMA残差部分回归+ARMA04各输入变量可包含不同的延迟阶数和多项式阶数，通过Φi(B)和θi(B)分别表示自回归和移动平均系数多项式Φi(B)·θi(B)STATIONARITY&SPURIOUSREGRESSION平稳性要求与虚假回归问题ARIMAX要求所有序列满足平稳性，否则非平稳序列间回归极易产生"虚假回归"，导致纳伪错误——这一问题直接推动了协整理论的发展。前提假设响应序列与所有输入变量序列均为平稳序列，模型有效性与预测精度依赖于此假设成立。平稳性虚假回归两个各自带趋势的非平稳序列即使无因果联系，回归分析也可能得到高R²与显著t统计量。高R²纳伪错误虚假回归导致研究者接受本不应成立的模型（第一类错误），显著性水平α只能控制概率而无法根本消除。TypeIError根本原因非平稳序列的共同趋势使回归残差不平稳，违背经典回归基本假设，需要协整理论来解决。协整理论MODELINGWORKFLOWARIMAX模型的实际建模步骤ARIMAX模型的实际应用遵循"平稳性检验→变量选择→模型构建→诊断检验"四步流程。每一步都有明确的统计检验标准，在R语言中可通过arimax()函数配合xreg参数高效实现。01平稳性检验对所有变量进行ADF检验或KPSS检验，非平稳序列需差分转化为平稳后才能进入ARIMAX框架ADF/KPSS02变量选择通过互相关分析CCM识别显著输入变量及其最优滞后阶数，确定回归部分的变量组成和延迟结构CCMAnalysis03模型构建构建回归模型并用ARMA拟合残差，AR/MA阶数通过AIC或BIC信息准则选择，平衡拟合度与复杂度AIC/BIC04诊断检验对残差进行白噪声检验（Ljung-Box）和正态性检验，确保模型充分提取了数据中的相关信息Ljung-BoxARIMAX应用案例案例：基于ARIMAX的居民消费预测模型以居民人均消费预测为例，将收入作为输入变量构建ARIMAX模型，相比仅用消费自身信息的一元ARIMA模型，能够显著提升预测精度。关键在于：消费受收入影响且存在滞后效应——收入变动对消费的影响可能延迟数个周期才能完全体现，ARIMAX通过引入滞后项精确捕捉了这种传导机制。01一元ARIMA模型仅利用消费序列自身的历史信息进行预测，忽略了收入等重要影响因素，预测精度存在理论上限02将收入作为输入变量构建ARIMAX模型，同时利用消费和收入的历史信息，信息来源更丰富，预测精度显著提升03消费对收入的响应通常存在滞后效应：收入变动对消费的影响可能延迟数月才能完全体现，需通过滞后项捕捉传导时滞04实际建模中需注意：收入和消费数据需经季节调整和通胀修正后才能满足平稳性假设，否则应采用协整方法替代居民消费行为的真实场景CHAPTER04协整理论与EG检验突破非平稳序列建模瓶颈：协整的概念、Engle-Granger两步法与Johansen方法COINTEGRATION协整的基本概念与直觉理解协整是指两个或多个非平稳时间序列之间存在某种线性组合使结果平稳的现象。直觉上，如同两个随机游走的人始终保持固定距离，非平稳序列间可能因经济均衡力量而被'绑定'在一起。定义—若多个序列各自为非平稳的I(d)过程，但存在线性组合使其降阶为I(d−b)过程（b>0），则称这些序列之间存在协整关系直觉理解—两个各自随机游走的非平稳序列，可能因经济均衡力量而被"绑定"，它们的差距始终在有限范围内波动经济含义—协整关系代表变量间的长期均衡关系，如消费与收入、进口与出口、利率与汇率之间存在稳定的长期比例关系误差纠正机制—当系统短期偏离长期均衡时，存在一种纠正力量使变量重新向均衡靠拢，这是误差纠正模型ECM的理论基础COINTEGRATIONTESTEngle-Granger两步法(EG检验)EG两步法是协整检验的经典方法：第一步对非平稳序列做OLS回归获取残差，第二步对残差进行ADF单位根检验。若残差平稳则序列间存在协整关系。关键注意：EG检验的ADF临界值与标准ADF不同，必须使用EG专用临界值表，否则会高估协整显著性。01第一步：协整回归对非平稳序列y(t)和x(t)用OLS方法回归y(t)=α+βx(t)+e(t)，估计协整参数并获取残差序列e(t)OLS02第二步：残差检验对残差序列e(t)进行ADF单位根检验，若拒绝存在单位根的原假设，则残差平稳，序列间存在协整关系ADF03临界值修正EG检验中ADF临界值与标准ADF不同，因残差是估计量而非观测值，须使用MacKinnon专用临界值表MacKinnon04局限性EG两步法仅适用于两变量情形且只能识别一个协整关系，多变量多协整关系场景需用Johansen方法替代JohansenLecture05·多元时间序列分析Johansen检验与误差纠正模型ECMJohansen检验将协整分析从双变量扩展到多变量框架，基于VAR模型通过迹检验和最大特征值检验确定协整秩。误差纠正模型ECM将协整关系与短期动态统一建模，是连接长短期关系的关键桥梁。Johansen协整检验基于VAR模型框架，通过检验系数矩阵Π的秩来确定协整关系个数，适用于多变量多协整关系的复杂系统提供迹检验与最大特征值检验两种方法，从不同角度检验协整秩r的取值VAR·Trace误差纠正模型ECM将长期均衡与短期动态变化统一在一个模型中，既描述变量短期波动，又刻画向长期均衡回归的纠正机制误差纠正项ECM(t-1)代表偏离均衡的程度，系数为负且绝对值越大，回归均衡速度越快ECM(t-1)两者关系Granger表述定理：若变量间存在协整关系，则必然存在对应的ECM表述，协整是ECM成立的充要条件实际流程：先做协整检验确认长期关系，再建立ECM估计长短期参数，最后进行预测和政策分析GrangerCOINTEGRATION·APPLICATION协整分析的应用：现货与期货价格关系现货与期货因套利机制保持长期均衡，短期偏离会被市场纠正；ECM误差纠正系数越大，市场效率越高。01理论基础：持有成本模型（CostofCarry）预测现货与期货价格在到期日必须趋同，二者之间应存在协整关系。02套利机制：当价格偏离均衡时，套利者买入低估资产、卖出高估资产获取无风险利润，推动价格回归均衡。03ECM建模：误差纠正项系数反映套利效率——系数越大说明市场摩擦越小、价格发现效率越高，偏离持续时间越短。04交易策略：基于ECM的统计套利在配对交易（PairsTrading）中广泛应用，利用均值回归特性构建市场中性组合。期货交易所交易大厅实景Chapter05向量自回归VAR模型最广泛应用的多元时间序列模型：VAR的定义、估计、阶数选择与预测VECTORAUTOREGRESSIONVAR模型的定义与数学表达向量自回归VAR(p)模型将每个变量建模为自身及所有其他变量前p期滞后值的线性组合，所有变量被平等视为内生变量，每个方程可独立用OLS估计。01模型形式：x(t)=c+Φ₁x(t−1)+Φ₂x(t−2)+…+Φₚx(t−p)+ε(t)，其中Φᵢ为r×r系数矩阵，ε(t)为白噪声向量x(t)∈ℝʳ02核心特点：所有变量均被视为内生变量，每个变量关于自身和所有其他变量的p阶滞后值回归，无需先验区分内外生变量全内生03估计方法：每个方程解释变量相同（均为所有变量的滞后值），可直接用OLS对每个方程分别估计，等价于广义最小二乘估计OLS04适用条件：要求所有变量平稳；若变量非平稳但存在协整关系，应使用向量误差纠正模型VECM替代标准VAR模型VECMMODELSELECTION&DIAGNOSTICSVAR模型的阶数选择与诊断检验VAR模型阶数选择是建模的核心决策，常用AIC、BIC和HQ三种信息准则综合判定。AIC倾向较大阶数(可能过拟合)，BIC倾向较小阶数(更简洁)，实践中应参考多个准则取共识。模型诊断重点检验残差是否为白噪声：若残差存在自相关说明信息未充分提取，需增加滞后阶数。信息准则选择对p=1,2,…,P分别估计VAR模型，用AIC/BIC/HQ准则选择最优阶数。AIC倾向过拟合，BIC倾向更简洁，建议综合多准则取共识。AIC·BIC·HQ残差白噪声检验用Portmanteau检验或多变量Ljung-Box检验判断残差自相关性。若残差非白噪声，说明模型阶数不足，需增加滞后阶数重新估计。Ljung-Box残差正态性检验用Jarque-Bera检验判断残差是否服从多元正态分布。非正态性会影响参数推断的可靠性，大样本下可适当放宽要求。Jarque-Bera稳定性检验检验VAR模型特征方程的根是否全部位于单位圆内，确保模型满足平稳性条件，保证脉冲响应分析和预测结果不发散。单位圆VAR模型结果解读脉冲响应函数与方差分解分析VAR模型的结果解读依赖两个核心工具：脉冲响应函数(IRF)追踪单个变量冲击对其他变量的动态传导路径和持续时间；方差分解(FEVD)量化各变量冲击对预测误差方差的贡献比例。两者结合能从动态视角揭示变量间的因果传导机制和相对影响力大小。货币政策制定机构01脉冲响应函数IRF描述某变量受到一个标准差冲击后，其他变量在未来各期的动态响应路径，直观展示冲击的传导方向、峰值时点和衰减速度。实际应用：央行加息一个标准差冲击对GDP的脉冲响应——GDP在第2–3季度出现最大负向响应，约6–8个季度后冲击效应消退。02方差分解FEVD将某变量的h步预测误差方差分解为各变量冲击的贡献比例，量化不同变量对该变量预测不确定性的相对重要性。实际应用：GDP预测误差的方差分解——短期主要由自身冲击解释（80%+），长期中通胀和利率冲击的贡献逐步增大至30%+。GrangerCausalityTestGranger因果关系检验Granger因果检验在VAR框架下检验变量间的预测因果关系：若加入X的滞后值后Y的预测精度显著提升，则称X是Y的Granger原因。需注意Granger因果是统计预测意义上的关系而非真实因果机制，对滞后阶数敏感，且仅检测线性因果关系。01定义若在已知Y的过去值条件下，加入X的过去值能显著降低Y的预测误差方差，则称XGranger导致YPredictionErrorVariance02检验方法比较受限模型（不含X滞后值）与非受限模型（含X滞后值）的拟合差异，用F检验或Wald检验判断显著性F-Test/WaldTe