月: 2019年3月

今回は移動平均過程の例をいくつか生成して紹介します。
$AR(1)$や$AR(2)$の例は色々なところで取り上げられているので、すべて$AR(3)$にしました。

AR特性方程式の解の絶対値が全て1より大きい定常な例を一つと、そうではない例が3つです。
定常ではない例は、AR特性方程式の解に絶対値が$1$より小さなものを含むものと、
$-1$を解に持つもの、$1$を解に持つものを選びました。
なお、撹乱項の分散は$1$に揃えています。
$$\varepsilon_t \sim iid N(0,1)$$

定常なAR(3)過程の例

まずは、次のAR(3)過程を取り扱います。
$$y_t=1+\frac{11}{15}y_{t-1}-\frac{1}{3}y_{t-2}+\frac{1}{15}y_{t-3}+\varepsilon_t$$
AR特性方程式の解は $3,1+2i,1-2i$の3個です。(意図的に虚数解を含むものを選びました。)
解の絶対値が全部1より大きいので、この過程は定常になるはずです。
pythonで時系列データを生成しプロットして見ます。

import sympy
import numpy as np
import matplotlib.pyplot as plt

phi_1 = 11/15
phi_2 = -1/3
phi_3 = 1/15

# 根の確認
z = sympy.symbols('z')
print(sympy.solve(1-phi_1*z-phi_2*z**2-phi_3*z**3))

# 過程の生成
y = np.zeros(200)
# 初期値
y[0] = np.random.randn()
y[1] = np.random.randn()
y[2] = np.random.randn()
for i in range(3, 200):
    y[i] = 1 + phi_1*y[i-1] + phi_2*y[i-2] + phi_3*y[i-3]  + np.random.randn()


fig = plt.figure(figsize=(12, 6))
title = '$y_t=1+\\frac{11}{15}y_{t-1}-\\frac{1}{3}y_{t-2}+\\frac{1}{15}y_{t-3}+\\varepsilon_t$'
ax = fig.add_subplot(1, 1, 1, title=title)
ax.plot(y)
plt.show()

出力がこちら。

いかにも定常な感じですね。

定常ではないAR(3)過程の例 1

次は定常ではないAR(3)過程の例としてこれを考えます。
$$y_t=1+\frac{1}{4}y_{t-1}+4y_{t-2}-y_{t-3}+\varepsilon_t$$
AR特性方程式の解は $-0.5,0.5,4$ であり、絶対値が1より小さいものを含みます。

コードは省略しますが、試しに出力したのがこちら。
撹乱項の値によって形が全然変わるので実行するたびに プラスに振れるのかマイナスに振れるのかも違います。

どう見ても定常ではありませんね。$t$が小さい時と大きい時の$y_t$の期待値が全く違います。

定常ではないAR(3)過程の例 2

もう一つ定常ではないAR(3)過程の例。
今度はAR特性方程式が$-1$を解に持ちます。
$$y_t=1-\frac{1}{6}y_{t-1}+\frac{2}{3}y_{t-2}-\frac{1}{6}y_{t-3}+\varepsilon_t$$

プロットしたのがこちら。

一見定常っぽくも見えますが、非常にギザギザしています。
実はこの過程、奇数番目と偶数番目の項の期待値が違います。
(撹乱項を取り払うと2つの値が交互に現れるので確認しやすいです)
このため、たしかに定常でないことがわかりました。

定常ではないAR(3)過程の例 3

次も定常ではない例ですが、今回はAR特性方程式が、$1$を解に持ちます。
$$y_t=1+\frac{11}{6}y_{t-1}-y_{t-2}+\frac{1}{6}y_{t-3}+\varepsilon_t$$
実はこの過程は定常ではないのですが、差分系列$\Delta y_t=y_t-y_{t-1}$は定常過程になります。
このような過程を単位根過程と言います。
単位根過程の詳しい話はそのうち紹介したいですがとりあえずグラフを出すと次のようになります。

綺麗なトレンドが出ましたね。

例によって沖本本を参照し、自己回帰過程を紹介します。

自己回帰(AR)過程(autoregressive process)は、過程が自分の過去に回帰された形で表現される過程です。
p次AR過程(AR(p)過程)は、次で定義されます。
$$
y_t = c + \phi_1y_{t-1} + \phi_2y_{t-2} + \cdots + \phi_py_{t-p} + \varepsilon_t ,\ \
\varepsilon_t \sim W.N.(\sigma^2)
$$

要するに$y_t$を過去p期間の値に回帰したモデルです。
AR(p)過程は常に定常になるとは限りません。

AR(p)過程が定常になるかどうかは次の方法で確認することができます。
まず、次の変数zの方程式を考えます。 ($\phi_t$は上の定義で登場した係数)
$$
1-\phi_1z-\phi_2z^2-\cdots-\phi_pz^p = 0
$$
これはAR特性方程式とよばれます。また、左辺の多項式はAR多項式と呼ばれるそうです。
この方程式の全ての解の絶対値が1より大きい時、AR過程は定常になります。

AR過程が定常な場合、下記の性質が成り立ちます。
(改めてですが、AR過程は定常でないこともあるので注意です。)

$$
\begin{eqnarray}
\mu & = E(y_t) = \frac{c}{1-\phi_1-\phi_2-\cdots-\phi_p}\\
\gamma_0 & = Var(y_t) = \frac{\sigma^2}{1-\phi_1\rho_1-\phi_2\rho_2-\cdots-\phi_p\rho_p}\\
\gamma_k & = \phi_1\gamma_{k-1}+\phi_2\gamma_{k-2}+\cdots+\phi_p\gamma_{k-p}, k\geq1\\
\rho_k & = \phi_1\rho_{k-1}+\phi_2\rho_{k-2}+\cdots+\phi_p\rho_{k-p}, k\geq1
\end{eqnarray}
$$
そして、AR過程の自己相関は指数的に減衰します。

今回も出典は沖本先生の経済・ファイナンスデータの計量時系列分析から。

ホワイトノイズの線形和で表される過程を移動平均過程(moving average process)と呼びます。
$q$を1以上の整数ととすると、q次移動平均過程$MA(q)$は次で定義されます。
$$y_t=\mu+\varepsilon_t+\theta_1\varepsilon_{t-1}+\theta_2\varepsilon_{t-2}+\cdots+\theta_q\varepsilon_{t-q},\ \ \varepsilon_t\sim W.N.(\sigma^2)$$

そして、$y_t$が$MA(q)$過程に従うことを $y_t\sim MA(q)$と書きます。
$MA(q)$過程は常に定常であり、さらに次の性質を持ちます。

$$
\begin{align}
E(y_t) &= \mu\\
\gamma_0 &= Var(y_t) = (1+\theta_1^2++\theta_2^2+\cdots+\theta_q^2)\sigma^2\\
\gamma_k & = \left\{
\begin{matrix}
\ (\theta_k+\theta_1\theta_{k+1}+\cdots+\theta_{q-k}\theta_{q})\sigma^2, & (1\leq k \leq q)\\
0,& (k\geq q+1)
\end{matrix}
\right.\\
\rho_k & = \left\{
\begin{matrix}
\frac{\theta_k+\theta_1\theta_{k+1}+\cdots+\theta_{q-k}\theta_{q}}
{1+\theta_1^2++\theta_2^2+\cdots+\theta_q^2} , & (1\leq k \leq q)\\
0,& (k\geq q+1)
\end{matrix}
\right.
\end{align}
$$
式から分かる通り、MA(q)過程の q+1次以降の自己相関は常に0になります。
そのため、長期間にわたる自己相関を移動平均過程でモデル化するには多くのパラメーターが必要になります。