分形整合过程在经济预测中的应用（DOC 7页）

分形整合过程在经济预测中的应用邹新月1吕先进2（1湘潭工学院411201,2上海大学200072）摘要本文首先采用一个分形整合模型——误差逗留模型（Error-DurationModel）仔细推导了分形时间序列过程的性质，特别是序列自相关系数的性质，表明分形整合过程与常规的时间序列分析工具有很大的不同，然后以一个实际的时间序列为例，说明了分形整合过程在经济预测中的应用比传统的分析工具有较好的预测精度。关键字分形分形整合误差逗留模型w1引言经济数据（特别是经济生活中的时间序列）的辨识、建模、估计和预测一直是统计学家，尤其是计量经济学家们重点研究的对象。人们只有更准确地揭示出经济数据的内在规律，才能正确把握经济变量之间的本质联系，完整地弄清市场经济的运作范式，从而为经济主管部门提供客观的决策依据。众所周知，回归分析和时间序列分析方法过去是、今后仍然是经济领域研究的主要工具，特别是自ENGLE（1982）提出ARCH模型之后，时间序列分析方法又拓宽了一大步，出现了诸如ARCH、ARIMA、GARCH、EGARCH、EGARCH-M等模型，这些模型较之以前的模型更接近经济生活的实际，所以取得了更好的效果。但是近二十年的实证研究又表明上述方法与真实的模型之间仍然有一定的不容忽视的差距，或者说其残差不能完全归结为随机噪声。为解决这个问题，需要人们继续拓宽视野，从更广的角度、更深的层次来把握经济规律的内涵，这正是实证研究自身发展的需要；另一方面，从LORENZ提出的“蝴蝶效应”，到HURST发现的R/S分析，再到MANDOLBROT分形几何学的创立，又为统计学家的实证研究奠定了理论基础，两者的有机结合就开创了分形整合过程或者说是时间序列长程相关性的研究，出现了ARFIMA、FIGARCH、ARFIMA-GARCH等模型，甚至是GARMA、ARFISMA（文献[1]）等模型，该领域的研究一直是时间序列分析的重点，在西方计量经济分析的研究中仍然是方兴未艾，因为该领域尚未解决的问题比已经解决的问题还要多得多，这也许就是其魅力之所在。国内学者在该领域的研究也比较活跃，公开发出现了许多研究成果（文献[4]、[5]、[6]），如文献[6]的理论推广，文献[4]利用FIGARCH模型对股市长记忆性的实证分析等等。本文试图以误差逗留模型（Error-DurationModel）来仔细推导分形整合过程产生的机制和相关的性质，以及时间序列长程相关性的判别方法，最后通过一个实例说明分形整合过程在经济预测中的应用。文章主要由两个部分组成，第一部分是误差逗留模型的相关推导，第二部分就邹新月，1965出生，湖南新化人，湘潭工学院副教授，博士，研究方向：数量经济理论与应用，电话：[phone]（H）8290046（O）是利用所得到的性质来分析企业生存期的长短对就业的影响，指出这种影响远非ARCH或GARCH模型可以描述的。2误差逗留模型（Error-DurationModel）的推导设},2,1,{ixi是一独立同分布的误差序列，且2)(,0)(iixVARxE为常数，假设误差sx逗留期为随机变量sn，即sx的生存期为[s，sns]，再定义关于sx的生存示性函数为：ts,01ssnstnst,并设对于所有的st，有sx和ts,相互独立。用kp表示sx生存期为k的概率，即)1Pr(,ksskp，显然},2,1,{kpk为单调非增序列，为方便起见，可取10p。ty表示在t期及以前所有误差,2,1,0,ixit的累计误差总和，即0,,iittittsststxxy。如果{ty}的自协方差存在，不妨用{kr}表示（k为时滞），则下式成立：kjjkpr2（1）或者如果用{kr}来表示kp，也就是说下式成立：21/)(kkkrrp（2）同样，如果{)1(tBy}的自协方差存在（B为后移算子），不妨用{k}表示，则有下式成立：)(12kkkpp（3）下面我们给出（1）、（3）两式的证明。根据自协方差定义式，有：kjjtktjtiitiitkxxEr,0,由假设ix和jx相互独立（ji）可知：0)(,*,*jtjtititxxE（ji），显然由1,tit可推知1,ktit又因为iiiitittittitppppEVARE22,,2,)1()()()(和22)(itxE，以及itx与tit,相互独立的假设，得到iittitittitpxEExE222,22,)(*)()(，展开kjjtktjtiitiitkxxEr,0,就得到式（1）。同样对于)1(tBy的自协方差k，由以下两式01,1,0,,iittittttiittittsststxxxxy011,1021,211,11iittitiittitttttxxxy相减得到：011,1,1,1)(iittittittttttxxyy，以及011,1,1,1)(iiktktiktktiktktktktktktxxyy，两式中只有ktx的系数不同时为0，并且kktkttktpp11,,)1|0Pr(，所以：211))((ktktktttxyyyy，再由k的定义式即有（3）式成立。在误差逗留模型满足一定的条件下，以上我们得到了每个误差生存概率kp与误差总和ky的自协方差kr（或k）之间的对应关系。显然这里误差逗留模型对应于kp，长程相关性对应于kr（或k），那么kp或者说kr满足怎样的条件，ky就是分形整合过程呢？关于长程相关性的定义已有许多种形式，严格的数学定义式可参见国外文献[1]或国内文献[7]，这里我们直接采用kr的定义式，即：如果nnjjnrLim，就说ky具有长程相关性，或者说是分形整合过程。其等价定义式可以表示为nkknkpLim1。由此我们可以很容易得到：如果参数]1,0(d，dkkp22，则ky具有长程相关性，甚至只要kp满足：对某个常数pc和参数]1,0(d，有极限122dpkkkcpLim成立即可。直观说来，如果逗留误差tx的生存概率kp减少的速度比2k下降的速度来得慢的话，ky就是分形整合过程；如果生存概率kp减少的速度比1k还要缓慢的话，则ky不仅仅只是分形整合过程，而且还是非平稳过程。需要指明的是，分形整合过程ky有一个显著的特征就是，虽然},2,1,{kpk为单调非增序列，但比率kkpp1却是单调非减的，甚至以1作为该比率序列的上确界。为了说明分形整合过程与AR过程在时间序列预测中的本质区别，这里分别选用模型ttdxyB)1(，3/1d，)1,0(~Nxt和tttxyy1*5.0，)1,0(~Nxt以比较两者的自相关系数递减的快慢速率，计算结果见表1。从表中显示的数据可以看到，在分形整合模型中，参数d的符号决定了自相关系数的符号，而且正相关系数对应的长程相关性显得尤为突出；虽然模型ttxyB3/1)1(和tttxyy1*5.0的一阶滞后相关系数均为0.5,但滞后10阶时两者就已经相差235倍,这就说明用AR模型来描述分形整合过程时，误差太大，对有长程相关性的时间序列的预测必须用分形整合过程方法，以提高预测精度。表1两模型自相关系数模型LagKttxyB3/1)1(ttxyB3/1)1(tttxyy1*5.010.500-0.2500.50020.400-0.0710.25030.350-0.0360.12540.318-0.0220.06350.295-0.0150.031100.235-0.0050.001250.173-0.0012.98E-8500.137-3.24E-48.88E-161000.109-1.02E-47.89E-313应用实例一个国家就业率的高低是反映该国经济发展水平的一项重要指标，对该指标作出准确预测无疑有着极其重要的意义，下面结合文献[3]的资料来说明分形整合过程在经济预测中的重要作用。影响就业率的因素有企业规模和企业数量，为方便计，本例假定企业规模是一样的。任何一个企业都有创立、发展、衰落直至消亡的过程，所以可把它看作是前文中的一个误差逗留模型，那么一个企业的生存概率kp有怎样的规律呢？如果kp是一个AR过程，那么一个企业在第i年的ip与在第2*i年的ip*2应该满足平方关系，即iiippp**2，但文献[3]的统计资料显示有401.05p，10p=0.246，5.1)*/(5510ppp显然不符合AR模型的要求。现假设企业生存过程是一个分形整合过程，即dpkkcp22，pc、d为参数。在时间标度不变的前提下，由等式dpkkcp22可得)/log()/log(211mnppdmn，分别取9,7,5n、10m，求得参数d，然后根据求得的d和kp值分别计算对应的c值，拟合结果见表2，对应的图形显示如图1。表2分形整合过程拟合原始数据的离差分析K(1)kS(kp)(2)kp/1kp(3))65.0(2225.1k(4))62.0(2240.1k(5))63.0(2236.1k(6)(4)-(2)(5)-(2)(6)-(2)10.8120.8121.2471.3991.3580.4350.5870.54620.6520.8030.7650.8290.8120.1130.1770.1630.5380.8260.5750.6100.6010.0370.0720.06340.4610.8570.4690.4910.4860.0080.0300.02550.4010.8680.4010.4150.41100.0140.0160.3570.8910.3530.3620.359-0.0040.0050.00270.3220.9020.3160.3220.321-0.0060.00-0.00180.2920.9080.2880.2910.290-0.004-0.001-0.00290.2660.9110.2650.2660.266-0.00100100.2460.9230.2460.2460.246000★★★数列（2）◇◇◇数列（4）╋╋╋数列（5）△△△数列（6）图1原始数列（2）与拟合数列（4）、（5）、（6）的比较从以上图表可知，三类分形整合过程都有较高的拟合精度，在K3以后离差不超过5%，而在K5以后离差不超过1%，可见利用分形整合过程可以提高对经济变量预测的精度。4结论通过上述分析过程，我们可以得出分形整合过程与常规的时间序列分析工具有很大的不同，且分形整合过程在经济预测中的应用比传统的分析工具有较好的预测精度，特别是对于经济生活中那些具有长程相关性的时间序列必须用分形整合过程的方法来预测，才能准确地揭示出经济数据的内在规律，把握经济变量之间的本质联系，为经济主管部门的理性决策提供科学的证据。参考文献1．Baillie,R.T.,LongMemoryProcessesandFractionalIntegrationinEconomics.JournalofEconometrics,1996(73):5-592．Geweke,J.,S.Porter-Hudak,TheEstimationandApplicationofLongMemoryTimeSeriesModels.JournalofTimeSeriesAnalysis,1983(4):221-2383．Nucci,A.R.TheDemog