时间序列模型的滚动窗口分析
时间序列模型的滚动窗口分析评估:
模型随时间的稳定性。一个常见的时间序列模型假设系数相对于时间是常数。检查不稳定性相当于检查系数是否定常。
模型的预测精度。
参数稳定性的摇窗分析
假设您拥有样本中所有时期的数据。使用滚动窗口检验时间序列模型的稳定性:
选择滚动窗口大小，米，即每个滚动窗口连续观测的次数。滚动窗口的大小取决于样本的大小，T，以及数据的周期性。通常，可以对短时间间隔收集的数据使用短滚动窗口大小，对长时间间隔收集的数据使用大滚动窗口大小。较长的滚动窗口大小往往比较短的滚动窗口大小产生更平滑的滚动窗口估计。
假设连续滚动窗口之间的增量数为1个周期，然后将整个数据集划分为N＝T- - - - - -米+ 1次级样本。第一个滚动窗口包含从周期1到周期1的观察结果米，第二个滚动窗口包含从周期2到周期2的观察结果米+ 1，以此类推。
分区有变化，例如，您可以为季度数据滚动四个观察结果，而不是提前滚动一个观察结果。
使用每个滚动窗口子样本估计模型。
绘制每个估计值和逐点置信区间(即， )，以了解估算值随时间的变化情况。您应该预期每一个参数都会有一些波动，但是大的波动或趋势表明参数可能是时变的。
有关使用滚动窗口分析评估模型稳定性的详细信息，请参见［1］．
预测性能的滚动窗口分析
假设您拥有样本中所有时期的数据。你可以val利用滚动窗口检验几种时间序列模型的预测性能。这些步骤概述了如何进行回测。
选择滚动窗口大小，米，即每个滚动窗口连续观测的次数。滚动窗口的大小取决于样本的大小，T，以及数据的周期性。通常，可以对短时间间隔收集的数据使用短滚动窗口大小，对长时间间隔收集的数据使用大滚动窗口大小。较长的滚动窗口大小往往比较短的滚动窗口大小产生更平滑的滚动窗口估计。
选择一个预测地平线，h．预测范围取决于数据的应用和周期性。下面说明了滚动窗口如何分区数据集。
如果连续滚动窗口之间的增量数为1个周期，则将整个数据集划分为N＝T- - - - - -米+ 1次级样本。第一个滚动窗口包含从周期1到周期1的观察结果米，第二个滚动窗口包含从周期2到周期2的观察结果米+ 1，以此类推。该图说明了分区。
分区有变化，例如，您可以为季度数据滚动四个观察结果，而不是提前滚动一个观察结果。
对于每个滚动窗口子样例:
估计每个模型。
估计h提前预测。
计算每个预测的预测误差，即 ,地点:
e新泽西滚动窗口的预报误差n为j提前预测。
y是响应。
是j-滚动窗口子样本的步进预测n．
使用每个步进预测类型的预测误差计算预测均方根误差(RMSEs)。换句话说,
比较模型间的均方根误差。均方根误差最小的模型具有最好的预测性能。
有关回测的详细信息，请参见［1］．
参考文献
王俊杰，王志强，王志强。利用S_PLUS®建模金融时间序列．第2版。纽约:施普林格科学与商业传媒，2006。
相关的话题
你也可以从以下列表中选择一个网站:
