自回归移动平均模型解析.doc

(完整word)自回归移动平均模型解析
第二章 自回归移动平均模型

一些金融时间序列的变动往往呈现出一定的平稳特征，由Box和Jenkins创立的ARMA模型就是借助时间序列的随机性来描述平稳序列的相关性信息，并由此对时间序列的变化进行建模和预测。

第一节 ARMA模型的基本原理

ARMA模型由三种基本的模型构成：自回归模型(AR，Auto-regressive Model)，移动平均模型（MA，Moving Average Model）以及自回归移动平均模型（ARMA,Auto—regressive Moving Average Model）.
2.1。1 自回归模型的基本原理
1．AR模型的基本形式
AR模型的一般形式如下：

其中,c为常数项, 模型的系数，为白噪声序列。我们称上述方程为阶自回归模型,记为AR（）。
2．AR模型的平稳性
此处的平稳性是指宽平稳,即时间序列的均值，方差和自协方差均与时刻无关。即若时间序列是平稳的,即，，。
为了描述的方便，对式（2.1）的滞后项引入滞后算子。若,定义算子“L”，使得，L称为滞后算子。由此可知，。
对于式子（2。1)，可利用滞后算子改写为：

移项整理，可得：

AR()的平稳性条件为方程的解均位于单位圆外。
3．AR模型的统计性质
（1）AR模型的均值。
假设AR(）模型是平稳的，对AR(）模型两边取期望可得：

根据平稳序列的定义知，,由于随即干扰项为白噪声序列，所以，因此上式可化简为：

所以，
(2)AR模型的方差。
直接计算AR（）模型的方差较困难，这里引入Green函数。
AR（)模型可以改写成如下形式：

设为平稳AR（)模型的反特征根，则
。
进一步，

其中，为常数，,称为Green函数，因为均在单位圆内，所以Green函数是呈负指数下降的.
对上式两边取方差，可得:

由于随机干扰项为白噪声序列，所以。因为Green函数是呈负指数下降，所以，这说明平稳时间序列方差有界，且等于常数.
（3）自协方差函数。
假设将原序列已经中心化，则，则对AR(）模型等号两边同时乘以，两边取期望得：

因为当期的随机干扰项与过去的时间序列值无关，所以：。因此，上式可以化为：

其中，表示阶自协方差。

2.1。2 移动平均模型的基本原理
1．MA模型的基本形式
MA模型的一般形式如下:

其中，为常数项，为模型的系数，为白噪声序列。我们称上述方程为阶移动平均模型，记为MA（).
2、MA模型的可逆性
对于一个MA(）模型：

将其写成滞后算子的形式：

若方程的根全部落在单位圆外，则称MA模型是可逆的。可逆性可以保证MA模型可以改写成：

即MA模型可以转化为AR模型，同时可以保证参数估计的唯一性。
3、MA模型的数字特征
（1）均值
当时，对于一般的MA（q)模型：

两边取期望，可得：

即一般的MA（q)模型的期望值即为模型中的常数项.
（2）方差
对MA（q）模型,两边取方差：

（3）协方差函数
化简可得:

2.1。3 自回归移动平均模型的基本原理
1、ARMA模型的基本形式
ARMA模型的一般形式如下：

显然ARMA（p,q)模型可看成是AR（p）模型和MA（q）模型相结合的混合形式。
2、ARMA模型的平稳性和可逆性
对于一个ARMA（p，q)模型，

将其写为滞后算子的形式：

两边同时除以

其中：

由此可以看出，ARMA模型的平稳性完全取决于AR（p)模型的参数,与MA(q)模型的参数无关。
类似地,ARMA模型的可逆性完全取决于MA（q）模型的参数，与AR（p）模型的参数无关.
3、ARMA模型的数字特征
（1）期望
对于一个一般的ARMA（p，q）模型两边同时取期望，化简得：

（2）自协方差函数

第二节 时间序列的相关性分析与平稳性

2。2.1 时间序列的自相关系数
2.2。1.1 自相关函数（ACF）
1、AR(p）的自相关函数
在上一节中已经介绍了AR（p）模型的协方差函数满足下式：

由于自相关系数,因此：

该式表示自相关系数满足p阶差分方程。根据差分方程解的性质，上差分方程的通解可以写为：

其中，为任意不全为0的常数，是滞后多项式的反特征根.根据平稳性的性质，.从自相关系数的一般形式可看出,始终不为0,但是随着滞后阶数的增加,自相关系数慢慢逼近0，在图形上表现出一定的拖尾性。
2、MA模型的自相关函数
根据上一节推导的MA模型的自协方差函数的表达式，MA模型的自相关函数表示为：

因此，当k〉q时,自相关函数为0，也就是说MA(q）模型的自相关函数在q步以后是截尾的。
3、ARMA模型的自相关函数
根据ARMA模型的自协方差函数，不难得到ARMA模型的自相关函数:

由此可以看出，ARMA模型的自相关函数不具有截尾性.事实上，ARMA模型若满足可逆性，其形式相当于一个无穷阶的AR模型,因此自相关函数与AR模型一样具有拖尾性。
2。2。1。2 偏自相关函数(PACF）
1、偏自相关函数的定义
自相关函数不能纯粹地表示与之间的相关性,两者的相关性还会受到、……的间接影响，为了单纯地表示与之间的相关性，这里引入偏自相关函数。偏自相关函数表示在固定、……的情况下与之间的相关性.下面介绍偏自相关函数的计算方法。
设序列yt可由下回归方程估计：

根据回归方程的性质,式中估计系数即为偏自相关函数。为了估计回归系数，采用OLS方法，即
达到最小。
对L关于各回归系数求偏导，可得到以下方程组：

该方程组称为Yule- Wolker方程。根据自相关系数,求解Y-W方程即可得到偏自相关系数.
2、AR（p）的偏自相关函数
对于AR(p）模型,时,

由于与序列的滞后项无关，因此，且当

由此，AR(p）模型的偏自相关函数在k〉p后等于0,即AR(p）模型的偏自相关函数具有截尾性。事实上，AR模型偏相关函数的截尾性也可直接从该模型的表达式看出。AR(p）模型实质上假设序列至多只与滞后p阶的值相关，因此偏自相关函数至多在p阶处非0。
3、MA（q)和ARMA（p，q）的偏自相关函数
由于MA(q）和ARMA（p，q)相当于无穷阶的AR模型,因此这两个模型的偏自相关函数均不具有截尾性，而是拖尾性.
2。2.1.3 ARMA模型自相关系数与偏自相关系数的估计与检验
根据以上分析，不同ARMA模型自相关系数与偏自相关系数的表现存在明显的差异。表2。1给出了三类模型ACF与PACF的特征。
表2.1 ARMA类模型ACF与PACF的特征
模型
自相关系数
偏自相关函数
AR（p)
拖尾
p阶截尾
MA（q)
q阶截尾
拖尾
ARMA(p，q）
拖尾
拖尾
因此,我们可以通过观察偏自相关函数来识别并确定AR模型的滞后阶数，通过自相关函数来识别并确定MA模型的滞后阶数q。那么对于给定的样本数据，如何估计样本ACF与PACF，并从统计角度检验两者是否为0呢？下面分别介绍ACF与PACF的估计与检验。
1、样本ACF与PACF的估计与实现
对于给定样本，只需估计样本的自协方差与方差，将两者相除即可得到样本ACF.具体而言，样本自协方差表示为：

其中表示样本均值。
那么SACF=.
对于PACF主要是利用Yule- Wolker方程求解.当滞后阶数较大时，Y—W方程直接计算较难，目前多采用递推算法来求解。
2、样本ACF与PACF的显著性检验
常用的检验方法主要包括两类：正态检验法和Portmanteau检验法。
若序列满足独立性，则由统计渐进分布的有关定理可知，当样本个数充分大时,ACF和PACF均满足均值为0，方差1/T的正态分布，即
，。
因此若，，则可认为样本数据是独立的,即自相关系数和偏自相关系数均不显著异于0.该检验法即为正态检验法。
Portmanteau检验法是联合检验法，即检验直到k阶的自相关系数是否同时为0.该检验法使用Q统计量进行检验。Q统计量具体形式为：

其中T为样本容量，k为设定的滞后阶数。Q统计量服从分布.当Q统计量超过设定的临界值时，就拒绝原假设，即序列至少存在k阶以内的自相关性。
2。2。2 时间序列平稳性检验
建立ARMA的前提是序列是平稳的。检验平稳性常用的方法主要有三种:经验法、自/偏自相关系数法、单位根检验法。
1、经验法
经验法是通过观察图形的方式来初步判断时间序列是否平稳的。首先画出时间序列的图形，如果该图形围绕某一直线上下以较小的幅度波动，则该序列一般是平稳的,否则是不平稳的.
2、自/偏自相关系数法
由于ARMA模型的自/偏自相关系数要么是截尾的,要么是拖尾的，因此可以观察时间序列的自/偏自相关图，如果时间序列的自/偏自相关系数从某个滞后期开始均与0无差异，可以认为该时间序列是平稳的；若自/偏自相关系数衰减很慢,且与0存在明显的差异，则时间序列是非平稳的。
3、单位检验法
常用的单位根检验法主要包括DF检验法和ADF检验法。
（1）DF检验法
DF检验包括三种形式：

其中,c为常数项，表示线性趋势，随机干扰项独立同分布，且服从。
根据平稳性的概念，若序列yt是不平稳的,则回归系数。一般较易识别。因此判断序列yt是否平稳,主要是判断是否为1。如果，则说明序列存在单位根,是不平稳的，否则是平稳的。
进一步，上述三个方程两边同时减去,得:

其中，，因此可以将DF检验的原假设和备择假设分别为:

相应的统计量为：

DF的形式与t统计量相似，但是该统计量并不服从t分布，Dickey和Fuller（1979)给出了利用蒙特卡罗模拟方法模拟的临界值，因此该检验称为DF检验。DF检验是左侧检验，且不同形式的方程临界值是不同的。注意DF检验只有当时间序列为AR（1）过程时才有效。如果存在高阶滞后相关，那么将违背随机干扰项独立同分布的假设。因此，Dickey—Fuller提出来ADF检验来弥补DF检验的不足。
（2）ADF检验
假设时间序列存在p阶自相关，那么用p阶自回归方程来判断单位根，形式为：

上式两边同时减去,通过整理可得：

其中 ，,
上述检验形式是在DF检验方程中加入了yt的高阶滞后项,因此可以看成是DF检验的增广形式，简称ADF检验。与DF检验类似,ADF检验也存在三种形式，

不难看出，当p=1时，ADF检验就是DF检验，因此DF检验是ADF检验的特例。
检验的原假设和备择假设为：

即原假设为序列至少存在一个单位根，备择假设为序列不存在单位根。使用ADF检验时，应该注意如下几个问题：
首先,要确定合理的滞后阶数。
其次，因为检验统计量的临界值依赖于方程的形式，因此选择检验的方程形式很重要。
再者，如果检验的结果是拒绝原假设，那么原序列就不存在单位根，即原序列是平稳的；如果接受原假设，则序列是不平稳的，需要进行若干次差分，直到拒绝原假设，从而确定序列单整的阶数。
例 2.1 以2003年2月到2010年4月上证国债（交易代码000012）月末收盘指数为原始数据进行分析。首先对指数序列取对数，然后对这个收益率序列进行单位根检验，结果如下：
表2.2 上证综指收益率单位根检验表
Null Hypothesis： LSP has a unit root

Exogenous： Constant， Linear Trend

Lag Length: 0 （Automatic based on SIC, MAXLAG=11）

t—Statistic
  Prob。*

Augmented Dickey-Fuller test statistic
—2。027989
 0。5777
Test critical values：
1％ level

—4。068290

5% level

-3.462912

10% level

-3.157836

从检验结果来看，应该接受原假设，即认为该序列存在单位根.

第三节 季节性ARMA模型

2。3。1 时间序列的季节性
在现实中，存在一些经济时间序列具有明显的季节性，比如GDP、消费支出等.它们具有共同的特点：有规律，每年重复出现，表现为逐年同时期有相同的变化方向和大致相同的变动幅度。一般我们认为季节性是一种对数据的干扰，在数据分析中通常将其过滤.那么该如何识别时间序列的季节性。常用的分析方法是自相关图分析法。
观察时间序列的自相关图，如果是月度数据，可以观察滞后期为12、24、36……的自相关系数；如果是季度数据，可以观察滞后期为4、8、12……的自相关系数。如果自相关系数与0无差异，那么同月或者同季度之间不相关,即不存在季节性，否则该时间序列具有季节性.值得注意的是，若时间序列的趋势性较强时,这种趋势性会掩盖季节性，因此分析季节性时，应该先消除时间序列的趋势性。
由于季节性是对数据的一种干扰，因此在数据分析中常常消除季节性。常用的处理季节性的方法主要包括三种：（1）移动平均法;（2）用X—11方法去掉时间序列的季节性；（3）采用逐期差分和季节差分，建立SARMA模型。下面先简单介绍一下移动平均法和X-11方法，再重点介绍SARMA模型。
1、移动平均法
移动平均法是将原时间序列的两个或多个时期的数据进行平均，用平均值代替原序列值，以此来平滑周期性。假设周期长度为s，则在时点t上的移动平均值可以表示为：

2、X—11方法
X-11方法最初是由美国人口普查局在1965年研究开发出来的方法。它的基本原理是滑动平均法法.这种方法能适应各经济指标的性质，并根据季节调整的目的进行相应的调整及进行算法的选择。
X—11方法包括两种模型：加法模型和乘法模型。
加法模型的基本形式为:

乘法模型的基本形式为:

其中Tt为趋势循环要素，St为季节要素，It为不规则变动要素，Dt为周工作日变动要素。常用的是乘法模型,但注意乘法模型仅适用于时间序列数据为正的情况。
例 2。2 以江苏省2001年1月到2009年12月的每月的社会消费品零售总额为原始数据，进行季节性分析。数据来源于中经网统计数据库。数据的时间序列图如下。

从图中可以看出,该序列存在一定的周期性季节性变动。采用X-11方法进行季节性调整，结果如下：

从图中可以看出,经过调整，季节性因素与不规则因素得到了一定程度的消除.
2.3。2 季节性ARMA模型
SARMA模型是在回归项中加入季节自回归项(SAR）和季节移动平均项(SMA)来考虑季节性的.假设季节长度为S，则
SMA（q）（m）S的一般形式为：

其中q为一般移动平均项的滞后阶数，m为季节性滞后阶数.
SAR（p）（k）S的一般形式为：

其中p为一个自回归项的滞后阶数，k为季节性滞后阶数.
SARMA的一般形式只需将SAR和SMA合并即可,简记为:SARMA（p，q）（k,m)S。
为了进一步理解季节模型的特点，以滞后两阶的AR模型为例，无季节性的AR（2)模型如下：

用滞后算子表示：

对于带有季节性的季度数据，若k=1，则模型就会变成下式：

它等价于：

因此该季节性AR模型实质上具有稀疏系数的更高阶AR模型。
SARMA模型的自相关系数与偏自相关系数与普通的ARMA模型类似，只是ACF和PACF的计算需要计算滞后期分别为S、2S..。。。。mS处的大小,性质与ARMA模型相同，即季节自回归模型的季节偏相关函数按季节周期的增加而截尾；季节移动平均模型的季节自相关函数按季节周期增加而截尾；混合的季节自回归移动平均模型的季节自相关函数和偏相关函数均按指数衰减。
例 2。3 引用例2.2的数据进行季节性分析。
为了便于分析,首先将数据取自然对数，然后进行差分去除趋势性。下图是新序列的自相关图，结果如下:

从图中可以看出,该序列在滞后6期、12期处的自相关函数和偏自相关函数显著异于0，因此可认为该序列存在一个周期为6的季节性变动。建立ARMA模型时,可在模型中加入周期为6的sar或sma项。

第四节 ARMA模型的构建与Eviews实现

2。4。1 ARMA模型的具体构建步骤
ARMA模型的具体运用主要包括以下几个步骤:
1、判断序列的平稳性
由于ARMA模型只适用于平稳时间序列，因此在建立ARMA模型前首先要检验序列的平稳性。若序列是平稳的，则可以直接建立ARMA模型，特别当存在季节性时，应建立SARMA模型。若序列是非平稳的，则应做差分使得序列变成平稳序列后才能建立ARMA模型。
2、ARMA模型滞后阶数的选择
一般根据自相关图和偏自相关图初步确定ARMA模型的滞后阶数可能取值，再根据各可能滞后阶数估计ARMA模型的AIC或SC信息准则做进一步判断。
3、ARMA模型的参数估计与检验
ARMA模型参数主要是利用极大似然法进行估计。该模型的检验主要是对残差是否是白噪声进行检验.
4、模型的预测
模型的预测包括动态预测和静态预测，其中动态预测是在给定样本值时往前多步预测，其中样本区间长度不变，静态预测是给定部分样本值时往前一步预测，其中样本区间会发生调整。
2.3.2 ARMA模型在Eviews中的窗口实现
1、判断序列的平稳性
根据前文的介绍，平稳性的判断主要包括三种方法:经验法、自相关图法和单位根检验。经验法主要是观察时间序列图形.以例2。1的数据为例，计算上证综指收益率序列，单击工具栏中的View/Graph，显示图形如下：

从图可以看出，该序列基本在0上下发生小幅度波动，因此从图形上可以初步判断该序列是平稳的.
自相关图检验法是在序列显示窗口中单击view/correlogram，出现如下窗口：

选择最大滞后阶数，即可该序列的ACF、PACF、置信区间以及Q统计量。具体显示结构可见下节的例表2.4.
单位根检验主要是利用DF检验法或者ADF检验法。在序列显示窗口中单击view/unit root test…,即出现单位根检验窗口：

左上方test type是选择单位根检验的方法，默认的选项是ADF方法，此外还包括phillips— perron、Dickey—Fuller GLS等,主要是用来处理序列的异方差和自相关的.
下方Test for unit root in是选择检验的对象，其中level表示原序列，1st difference表示差分序列，2nd difference 表示二阶差分序列。
Include in test equation是选择检验的形式，其中intercept是指检验方程中只包括截距项,trend and intercept是指同时包括趋势项和截距项，none是既不包括截距项也不包括趋势项。检验形式的选择往往是根据该序列的图形特征来确定,若该序列在图形上无明显的趋势且明显异于0时，应选择intercept;若该序列既无趋势也与0无差异时，应选择none;若序列呈现出一定的趋势性，则选择trend and intercept。
右下方lag length是选择滞后阶数.User specified是用户自己定义滞后阶数,automatic selection是在maximum lags（最大滞后阶数）范围内根据信息准则选择最优的滞后阶数，其中信息准则选项包括Akaike Info Criterion（AIC，默认）、Schwarz info criterion（SC)、Hannan- Quinn criterion等,前两种最为常见。
选择各选项后，点击确定即出现单位根检验结果,可见示例2.1中表2。2。在表中给出了检验统计量t的值和相应的p值，t值下方是1％、5％和10％显著性水平下的临界值.若t值小于临界值,则应拒绝原假设，即原序列是平稳的，否则存在单位根.
2、ARMA模型滞后阶数的选择与模型的估计
由于AR(p）模型的偏自相关函数在p阶处截尾，MA（q)模型的自相关函数在q阶处截尾，因此可以通过观察样本自相关函数和偏自相关函数的截尾特征来确定p和q的范围，从而选择不同p和q的各种可能,再根据信息准则来筛选最优的滞后阶数。常用的信息准则主要是AIC和SC,定义分别为：

其中表示残差，表示样本容量，k表示滞后阶数。
从AIC和SC的定义可以看出，残差方差增加或者滞后阶数增加都会使得AIC和SC增加.而增加滞后阶数往往会使得残差方差减少，因此最优滞后阶数的选择应使在减少方差和减少自由度之间进行权衡，使得AIC和SC达到最小。值得注意的是，AIC和SC的基本形式类似，但是SC对于自由度损失的惩罚要大于AIC。
选择一组p和q后，对ARMA模型进行估计。点击主菜单中的Quick/Estimate Equation，弹出如下对话框：

若估计AR（p)模型,在对话框中输入y c ar(1)…….ar（p）；若估计MA(q)模型，在对话框中输入y c ma（1）……ma（q）；若估计ARMA模型，在对话框中输入y c ar(1) …….ar(p） ma(1）……ma(q）。再单击OK即可.也可以直接在命令行中输入ls y c ar（1） ……。ar(p) ma(1）……ma(q)。
以例2.1的数据为例，输入ls r c ar（1）,估计结果如下：

Coefficient
Std. Error
t—Statistic
Prob。  

C
0.000326
0.000350
0。931705
0.3516
AR(1）
0。012408
0.020087
0.617700
0.5368

R-squared
0。000154
    Mean dependent var
0.000326
Adjusted R—squared
-0.000250
    S。D. dependent var
0。017221
S.E. of regression
0.017223
    Akaike info criterion
—5.284357
Sum squared resid
0。735038
    Schwarz criterion
—5.279667
Log likelihood
6554。603
    Hannan—Quinn criter。
—5.282653
F—statistic
0。381552
    Durbin—Watson stat
1。997891
Prob（F-statistic)
0。536831

Inverted AR Roots
      。01

估计结果的最后一行是AR部分和MA部分滞后多项式的反特征根，若所有的根的模均小于1，则ARMA模型满足平稳性和可逆性。在输出结果的第二部分是相关的统计量，其中主要利用AIC和SC来判断模型的优劣。将各种可能的p和q进行组合后估计模型的AIC和SC，再进行比较选择最优的p和q。
3、ARMA模型的检验
在估计方程的窗口中点击view/residual tests,出现五个选项：
Correlogram— Q statistics:显示残差的自相关图。只有当残差的ACF和PACF均落在置信区间内，即与0无差异时才表示残差中无相关性。
Correlogram squared residuals：显示残差平方的自相关图.只有当残差平方不具有相关性时残差具有同方差性.
Histogram- normality test:显示残差的直方图，进行残差的正态性检验。
Serial correlation LM test:利用LM检验法检验残差的自相关性.
Heteroskedasticity tests：对残差进行ARCH效应检验。
4、模型的预测
在模型估计窗口中，点击proc/Forecast…,出现预测窗口：

Series names需要输入预测序列保存的名称；
Forecast sample表示预测的样本区间;
Method主要包括dynamic forecast（动态预测）和static forecast（静态预测)；
Output表示输出显示形式，可以显示预测图形和预测结果.
2.3.3 ARMA模型在Eviews中常用的命令与程序
下面ARMA模型在Eviews中的常用命令与程序。
1、单位根检验
series_name.uroot（options）
其中option包括选择检验的方法、形式和滞后阶数。检验形式包括“c”（存在截距项，默认）、“t”(存在趋势项）、“n"（不包括截距项和趋势项)。检验方法包括adf（默认）、dfgls、pp、kpss、ers、np.滞后阶数可以用lag=p直接指定，也可以用lag=a自动选择.若滞后阶数是自动选择，则以info来选择判断的信息准则，info=sic表示以SC作为选择滞后阶数标准，info=aic表示以AIC作为选择滞后阶数标准。
例如：a。uroot(adf，t，info=aic）表示对序列a用ADF方法选择存在趋势项进行单位根检验,其中滞后阶数以AIC信息准则进行自动选择。
2、自相关-偏自相关图
object_name。correl（n，options）
其中n表示最大滞后阶数，options主要包括graph(显示自相关图）、bylag（按滞后阶数显示自相关表格）.
例如a。correl(12)表示显示1到12阶滞后阶数的自相关图.
3、ARMA模型的估计
ls series_name ar ma…
ARMA模型用最小二乘回归，与一般线性回归的表示相同。
例如ls y c ar(1） ma(1)，表示对y建立ARMA(1,1）模型。
4、模型残差的调用
生成残差：equation_name.makeresids（option)
例如：equation eq1.ls y c ar(1） ma（1）
eq1.makeresids e1
表示对y建立ARMA（1，1）模型，并将模型残差保存在序列e1中。
残差自相关图:eq_name。correl(n，options)
例如：eq1。correl（12) 表示计算方程eq1的残差的自相关图。
5、模型的预测
eq_name.forecast(options) yhat [y_se］
例如eq1。forecast yf 表示将预测序列保存在yf序列中.
6、常用估计系数和统计量的调用
@r2表示估计方程的r2
＠rbar2表示估计方程的调整r2
＠aic表示估计方程的AIC
@ schwarz表示估计方程的SC
@coefs(i）表示第i个估计系数
＠stderrs（i）表示第i个估计系数的标准差
＠tstats（i）表示第i个估计系数的t统计量的值

第五节 ARMA模型的应用举例

2。5。1 案例分析的目的
本案例拟选取1996年1月到2010年9月我国货币供应量M1的数据来构建ARMA模型,并利用该模型进行外推预测分析。
2。5.2 实验数据
数据来源于中经网统计数据库.具体数据见表2.3。
表2。3 M1月度数据 单位：亿元
日期
M1
日期
M1
日期
M1
日期
M1
1996-01
25195
1999-10
42265
2003-07
76152.8
2007-04
127677.8
1996-02
25255。6
1999-11
43370
2003—08
77033
2007—05
130275。8
1996—03
23909
1999—12
45837.24
2003-09
79163.9
2007—06
135847。4
1996—04
24145
2000-01
46570
2003—10
80267。1
2007-07
136237。4
1996-05
24463
2000-02
44679.2
2003—11
80814.9
2007-08
140993。2
1996-06
24600
2000—03
45158。4
2003-12
84118。6
2007-09
142591.6
1996—07
25078
2000-04
46319
2004—01
83805.9
2007—10
144649。3
1996—08
25729。45
2000-05
46490.2
2004—02
83556。4
2007-11
148009.8
1996—09
26230
2000-06
48024。4
2004-03
85815.6
2007—12
152519.2
1996—10
26798.2
2000—07
47803.1
2004—04
85603。6
2008-01
154872.6
1996-11
27422
2000-08
48885
2004-05
86780。4
2008-02
150177。9
1996—12
28515
2000—09
50616。9
2004—06
88627。1
2008-03
150867.5
1997—01
30573
2000—10
49953
2004-07
87982.2
2008—04
151681.4
1997-02
29103
2000—11
50787。5
2004-08
89125。3
2008—05
153344.8
1997—03
29058
2000—12
53147.2
2004—09
90439.1
2008—06
154820.2
1997-04
29991
2001-01
54406.2
2004—10
90782。5
2008—07
154992.4
1997-05
30275
2001-02
51997。7
2004—11
92387.1
2008-08
156889。9
1997-06
31074
2001—03
53033。4
2004-12
95969。7
2008-09
155749
1997—07
31100
2001—04
53261。3
2005-01
97079
2008—10
157194。4
1997-08
31594。99
2001-05
52543
2005-02
92815
2008—11
157826。6
1997-09
32245
2001—06
55187.4
2005-03
94743。2
2008-12
166217。1
1997—10
32422
2001—07
53502.8
2005-04
94593。7
2009-01
165214。3
1997—11
32909
2001-08
55808。9
2005-05
95802
2009-02
166149.6
1997-12
34826。27
2001-09
56824
2005-06
98601.3
2009-03
176541.1
1998—01
35585。6
2001—10
56114.9
2005—07
97674.1
2009—04
178213.6
1998—02
33395
2001—11
56579.6
2005—08
99377.7
2009—05
182025.6
1998—03
33110
2001-12
59871.6
2005-09
100964
2009-06
193138.2
1998-04
33360
2002-01
60576.1
2005-10
101752
2009-07
195889.3
1998—05
33553
2002—02
58702.9
2005-11
104125.8
2009—08
200394.8
1998-06
33776
2002-03
59474.8
2005—12
107278。7
2009-09
201708.1
1998—07
34356
2002-04
60461。3
2006-01
107250.7
2009—10
207545。7
1998—08
35050
2002—05
61284.9
2006—02
104357.1
2009-11
212493。2
1998-09
36501
2002—06
63144
2006—03
106737.1
2009—12
220001。5
1998—10
36786。7
2002—07
63487.8
2006-04
106389.1
2010-01
229589
1998—11
37414
2002-08
64868.8
2006-05
109219。2
2010—02
224287
1998-12
38953。68
2002-09
66797
2006-06
112342.4
2010—03
229397.9
1999-01
39011
2002-10
67100.3
2006-07
112653
2010—04
233909.8
1999-02
38749
2002-11
67992。8
2006—08
114845.7
2010-05
236497。9
1999—03
38054
2002-12
70882。1
2006-09
116814。1
2010-06
240580
1999—04
38053
2003—01
72405.7
2006-10
118360
2010-07
240664。1
1999—05
38004
2003-02
69756。6
2006-11
121645
2010—08
244340.6
1999—06
38822
2003-03
71438.8
2006—12
126035。1
2010-09
243802.4
1999—07
38991
2003—04
71321。2
2007-01
128484。1

1999—08
40095
2003-05
72777.8
2007-02
126258。1

1999—09
41914
2003-06
75923.2
2007—03
127881。3

2.5。3 ARMA模型的构建
1、判断序列的平稳性
首先绘制出M1的折线图，结果如下图：
图2.1 货币供给量M1曲线图