在股市交易中,什么是滞后期的估计?

股票入门知识 | 发布于2021-11-29

在前面各节中,我们假设实际的过程是由一个稳定的VAR模型产生的。这个假设使得产生的过程是一个平稳过程。在最小二乘估计和最大似然估计中,模型的阶数p(即模型中的滞后期数)都被假定为已知。然而,在估计方法中并没有一个办法来确定具体的模型期数。给出一个实际的时间序列,我们可以利用任意滞后期数来拟合VAR(p)模型。

这一节的目标就是找出一个可以先验地确定正确的滞后期数的准则。该想法需要更为精确地进行陈述。就像我们在前面各节中估计模型的系数时所做的那样,我们假设真实的数据生成过程(DGP)是一个VAR模型。在这种情况下,我们预期正确的模型滞后期数恰好为p,即我们预期找到模型滞后期的一个一致估计。这与寻找一个最优的滞后期,来用VAR模型拟合一个可能并非由线性DGP所产生的过程是不同的问题。这里我们假设模型的类型是恰当地设定的,并在此假设下讨论估计模型的方法。

如同观察到的那样,我们可以用任意阶数的模型拟合任何的样本数据。一般来说,增加模型的阶数会降低残差的大小但也会降低模型的预测能力。这是学习理论的一个基本法则,即通过增加参数的数量,我们可以提高样本内的精确性但却会降低样本外的预测能力。在本节中,我们只在DGP线性自回归且参数未知的假设下考虑线性模型。

为了理解滞后期数的增加如何降低模型的预测能力,我们考虑到一个线性VAR模型的预测能力可以被估计出来。可以证明,一个VAR模型的最优预测是条件均值。这意味着在给定过程的直至现在为止的p个过去的值的条件下,最优的一步预测为

在股市交易中,什么是滞后期的估计?

预测的均方误差(MSE)可以被估计出来。可以证明一步 MSE的近似估计由下式给出∶

在股市交易中,什么是滞后期的估计?

数量

在股市交易中,什么是滞后期的估计?

称为最终预测误差(FPE)。在1969年,Akaike①提出通过最小化FPE来确定模型阶数。四年后,他又提出了一种基于信息理论考虑的不同准则。这个新的准则通常被称为赤池信息准则(AIC,Akaike Information Criterion),通过最小化下列表达式来确定模型阶数:

在股市交易中,什么是滞后期的估计?

由于它们是在无穷样本的极限情况下确定模型正确意义下的阶数,FPE估计量和AIC估计量都不是一致估计量。不同的但一致准则已经被提出来了。在它们当中,贝叶斯信息准则(BC, Bayesian Information Criterion)相当流行。由 Schwartz提出的BIC 选择使下式最小化的模型:

在股市交易中,什么是滞后期的估计?

关于模型选择准则现在已有大量的文献。每一种准则的评判都需要信息理论、统计学以及学习理论方面相当复杂的考虑。

飞鲸投研从多维度分析,整理了一份《成长50》的名单,可以关注同名公众号:"飞鲸投研":feijingtouyan,进行领取(点击复制)

该文观点仅代表作者本人,飞鲸投研系信息发布平台

/阅读下一篇/

在股市投资中,什么是残差的自相关性?

热门推荐