全文鏈接：http://tecdat.cn/?p=22458

最近我們被客戶要求撰寫(xiě)關(guān)于動(dòng)態(tài)模型平均的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

本文提供了一個(gè)經(jīng)濟(jì)案例。著重于原油市場(chǎng)的例子。簡(jiǎn)要地提供了在經(jīng)濟(jì)學(xué)中使用模型平均和貝葉斯方法的論據(jù)，使用了動(dòng)態(tài)模型平均法（DMA），并與ARIMA、TVP等方法進(jìn)行比較

簡(jiǎn)介

希望對(duì)經(jīng)濟(jì)和金融領(lǐng)域的從業(yè)人員和研究人員有用。

動(dòng)機(jī)

事實(shí)上，DMA將計(jì)量經(jīng)濟(jì)學(xué)建模的幾個(gè)特點(diǎn)結(jié)合在一起。首先，最終預(yù)測(cè)是通過(guò)模型平均化從幾個(gè)回歸模型中產(chǎn)生的。其次，該方法是貝葉斯方法，也就是說(shuō)，概率是以相信程度的方式解釋的。例如，對(duì)時(shí)間t的DMA預(yù)測(cè)只基于截至?xí)r間t-1的數(shù)據(jù)。此外，新數(shù)據(jù)的獲得直接導(dǎo)致參數(shù)的更新。因此，在DMA中，回歸系數(shù)和賦予模型的權(quán)重都隨時(shí)間變化。

貝葉斯方法不是現(xiàn)代計(jì)量經(jīng)濟(jì)學(xué)的主流。然而，這些方法最近正獲得越來(lái)越多的關(guān)注。這其中有各種原因。首先，我們可以將其與研究中日益增多的數(shù)據(jù)量聯(lián)系起來(lái)。由于技術(shù)進(jìn)步，人們通常面臨著許多潛在的解釋變量的情況。盡管大多數(shù)變量可能并不重要，但研究者通常不知道哪些變量應(yīng)該被剔除。

當(dāng)然，到某種程度上仍然可以使用常規(guī)方法。但由于缺乏足夠的信息，通常無(wú)法對(duì)參數(shù)進(jìn)行精確估計(jì)。最簡(jiǎn)單的例子是當(dāng)解釋變量的數(shù)量大于時(shí)間序列中的觀察值的數(shù)量時(shí)。例如，即使在線性回歸的情況下，標(biāo)準(zhǔn)的普通最小二乘法估計(jì)也會(huì)出現(xiàn)一個(gè)奇異矩陣，導(dǎo)致不可能取其倒數(shù)。在貝葉斯框架下，仍然可以得出一個(gè)有意義的公式。貝葉斯方法似乎也能更好地處理過(guò)度參數(shù)化和過(guò)度擬合問(wèn)題。

在最近的預(yù)測(cè)趨勢(shì)中可以發(fā)現(xiàn)各種方法。以原油價(jià)格為例，預(yù)測(cè)方法通?？梢苑譃闀r(shí)間序列模型、結(jié)構(gòu)模型和其他一些方法，如機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等。一般來(lái)說(shuō)，時(shí)間序列模型的重點(diǎn)是對(duì)波動(dòng)的建模，而不是對(duì)現(xiàn)貨價(jià)格的建模。結(jié)構(gòu)模型顧名思義包括因果關(guān)系，但它們通常在某些時(shí)期有很好的預(yù)測(cè)能力，而在其他時(shí)期則很差。另外，基于小波分解、神經(jīng)網(wǎng)絡(luò)等的其他方法通常忽略了其他因素的影響，只關(guān)注單一時(shí)間序列。這些使得DMA成為從業(yè)者的一個(gè)有趣的方法。

DMA的下一個(gè)方面是，它允許回歸系數(shù)是隨時(shí)間變化的。事實(shí)上，在經(jīng)濟(jì)出現(xiàn)緩慢和快速（結(jié)構(gòu)性中斷）變化的情況下，計(jì)量經(jīng)濟(jì)學(xué)模型的這種屬性是非?？扇〉摹．?dāng)然，這樣的方法也存在于傳統(tǒng)的方法論中，例如，遞歸或滾動(dòng)窗口回歸。

理論框架

我們將簡(jiǎn)短地描述fDMA的理論框架。特別是，動(dòng)態(tài)模型平均化（DMA）、動(dòng)態(tài)模型選擇（DMS）、中位概率模型。

動(dòng)態(tài)模型平均（DMA）

DMA在[1]的原始論文中得到了非常詳細(xì)的介紹。然而，下面是一個(gè)簡(jiǎn)短的論述，對(duì)于理解fDMA中每個(gè)函數(shù)的作用是必要的。

假設(shè)yt是預(yù)測(cè)的時(shí)間序列（因變量），讓x（k）t是第k個(gè)回歸模型中獨(dú)立變量的列向量。例如，有10個(gè)潛在的原油價(jià)格驅(qū)動(dòng)因素。如果它們中的每一個(gè)都由一個(gè)合適的時(shí)間序列來(lái)表示，那么就可以構(gòu)建2^10個(gè)可能的線性回歸模型。每個(gè)變量都可以包括或不包括在一個(gè)模型中。因此，每個(gè)變量有兩種選擇，構(gòu)成了2^10種可能性。這包括一個(gè)只有常數(shù)的模型。因此，一般來(lái)說(shuō)，有潛在的有用的m個(gè)獨(dú)立變量，最多可以構(gòu)建K=2^m個(gè)模型。換句話說(shuō)，狀態(tài)空間模型是由以下幾個(gè)部分組成的

其中k = 1, ... . ，K，θt是回歸系數(shù)的列向量。假設(shè)誤差遵循正態(tài)分布，即e（k）t～N（0，V（k）t）和δ（k）t～N（0，W（k）t）。

在此請(qǐng)注意，有m個(gè)潛在的解釋變量，2m是構(gòu)建模型的上限。然而，本文描述的所有方法（如果沒(méi)有特別說(shuō)明的話）都適用于這些2m模型的任何子集，即K≤2m。

動(dòng)態(tài)模型選擇(DMS)

動(dòng)態(tài)模型選擇（DMS）是基于相同的理念，與DMA的理念相同。唯一的區(qū)別是，在DMA中進(jìn)行的是模型平均化，而在DMS中是模型選擇。換句話說(shuō)，對(duì)于每個(gè)時(shí)期t，選擇具有最高后驗(yàn)概率的模型。這意味著，只需將公式修改為

其中HT表示k模型。

一個(gè)例子：原油市場(chǎng)

我們舉一個(gè)原油市場(chǎng)的例子。據(jù)此可以說(shuō)，在哪些時(shí)間序列可以作為預(yù)測(cè)現(xiàn)貨原油價(jià)格的有用解釋變量方面，存在著不確定性。

xts對(duì)象crudeoil包含來(lái)自原油市場(chǎng)的選定數(shù)據(jù)，即。

-WTI代表WTI（西德克薩斯中質(zhì)油）現(xiàn)貨價(jià)格，以每桶計(jì)。

• MSCI代表MSCI世界指數(shù)。

• TB3MS代表3個(gè)月國(guó)庫(kù)券二級(jí)市場(chǎng)利率（%）。

• CSP代表粗鋼產(chǎn)量，單位是千噸（可以作為衡量全球經(jīng)濟(jì)活動(dòng)的一種方式）。

• TWEXM代表貿(mào)易加權(quán)的指數(shù)（1973年3月=100）。

• PROD代表原油產(chǎn)品供應(yīng)量，單位為千桶。

• CONS代表經(jīng)合組織的原油產(chǎn)品總消費(fèi)量。

• VXO代表標(biāo)準(zhǔn)普爾100指數(shù)的隱含波動(dòng)率（即股票市場(chǎng)波動(dòng)率）。

這些數(shù)據(jù)的頻率為每月一次。它們涵蓋了1990年1月至2016年12月的時(shí)期。

xts對(duì)象的趨勢(shì)包含來(lái)自谷歌的關(guān)于選定搜索詞的互聯(lián)網(wǎng)數(shù)量的數(shù)據(jù)。

• stock_markets代表Google Trends的 "股票市場(chǎng)"。

• interest_rate代表Google Trends的 "利率"。

• economic_activity表示 "經(jīng)濟(jì)活動(dòng) "的Google趨勢(shì)。

• exchange_rate代表 "匯率 "的谷歌趨勢(shì)。

• oil_production表示 "石油生產(chǎn) "的Google趨勢(shì)。

• oil_consumption代表 "石油消費(fèi) "的谷歌趨勢(shì)。

• market_stress代表Google Trends的 "市場(chǎng)壓力"。

這些數(shù)據(jù)也是以月度為頻率的。它們涵蓋了2004年1月至2016年12月這段時(shí)間，因?yàn)楣雀柃厔?shì)沒(méi)有涵蓋更早的時(shí)期。從經(jīng)濟(jì)角度來(lái)看，考慮這些時(shí)間序列的對(duì)數(shù)差分是合理的

除了PROD的一些問(wèn)題，所有的時(shí)間序列都可以在5%的顯著性水平上被認(rèn)為是平穩(wěn)的。對(duì)于WTI差分也存在ARCH效應(yīng)。因此，在DMA中考慮指數(shù)加權(quán)移動(dòng)平均（EWMA）估計(jì)方差似乎是合理的。此外，還可以測(cè)試一些遺忘因子。根據(jù)建議，對(duì)月度時(shí)間序列采取κ=0.97。所有的方差都小于1。因此，似乎沒(méi)有必要對(duì)時(shí)間序列進(jìn)行重新標(biāo)準(zhǔn)化。在DMA的估計(jì)中，采取initvar=1似乎也足夠了。

根據(jù)最小化RMSE，最佳DMA模型是α=0.99和λ=0.97的模型。因此，對(duì)這個(gè)模型稍作研究。

比較圖1和圖2可以看出，在市場(chǎng)的動(dòng)蕩時(shí)期，DMA迅速適應(yīng)，對(duì)有更多變量的模型賦予更高的權(quán)重。事實(shí)上，這與圖3一致。在這一時(shí)期，所有解釋變量的相對(duì)變量重要性都在上升。我們還可以看到，自2007年以來(lái)，發(fā)達(dá)的股票市場(chǎng)的作用有所增加。然而，在2013年之后，這種作用變得越來(lái)越?。欢渌兞康淖饔瞄_(kāi)始增加。這一點(diǎn)非常明顯，特別是對(duì)于匯率。

圖3應(yīng)與圖4可以看出。雖然，相對(duì)變量的重要性可能很高，但這個(gè)變量的回歸系數(shù)的預(yù)期值可能在0左右。事實(shí)上，高的相對(duì)變量重要性同時(shí)觀察到MSCI、CSP和TWEXM的預(yù)期回歸系數(shù)不為零。所以，這個(gè)分析現(xiàn)在證實(shí)了這三個(gè)因素在2007年和2013年之間對(duì)原油價(jià)格起到了重要的預(yù)測(cè)作用。自2013年以來(lái)，股票市場(chǎng)的作用減少了，被匯率所取代。在2013年前后，最重要的作用是由發(fā)達(dá)股票市場(chǎng)發(fā)揮的。?

圖1

圖2

圖3

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言：EM算法和高斯混合模型的實(shí)現(xiàn)

左右滑動(dòng)查看更多

01

02

03

04

圖4

最后，可以懷疑有一些模型在某種意義上優(yōu)于其他模型。換句話說(shuō)，模型的選擇會(huì)比模型的平均數(shù)更有優(yōu)勢(shì)。這可以通過(guò)分析DMS和中位概率模型來(lái)檢查。然而，從圖5可以看出，沒(méi)有一個(gè)模型的后驗(yàn)概率超過(guò)0.5。其次，2007年之后和2013年之后，沒(méi)有一個(gè)模型似乎更有優(yōu)勢(shì)。

也可以質(zhì)疑所應(yīng)用的方法對(duì)不同的參數(shù)設(shè)置是否穩(wěn)健。例如，如果其他遺忘因子α和λ會(huì)導(dǎo)致不同的結(jié)論。圖6展示了來(lái)自對(duì)象g的所有模型的所有解釋變量的相對(duì)變量重要性，即α={1, 0.99, 0.98, 0.97, 0.96, 0.95}和λ={1, 0.99, 0.98, 0.97, 0.96, 0.95}的所有組合。確切的數(shù)值不同，但圖形在時(shí)間上遵循的路徑或多或少是相同的。這意味著給定解釋變量的作用遞增，對(duì)遺忘因素設(shè)置不同的值是穩(wěn)健的。

圖5

圖6

最后，可以將選定的模型與一些替代預(yù)測(cè)進(jìn)行比較。

所選的DMA模型的RMSE比兩個(gè)基準(zhǔn)預(yù)測(cè)要小，但與Auto ARIMA相當(dāng)。MAE的情況也類(lèi)似。然而，Auto ARIMA的MAE比選定的DMA模型小。另一方面，選定的DMA模型在所有競(jìng)爭(zhēng)性預(yù)測(cè)中具有最高的命中率。更精確的比較可以通過(guò)Diebold-Mariano檢驗(yàn)來(lái)進(jìn)行。

假設(shè)5%的顯著性水平，可以拒絕簡(jiǎn)單預(yù)測(cè)的原假設(shè)，也就是預(yù)測(cè)的準(zhǔn)確性低于所選的DMA模型。換句話說(shuō)，所選模型在某種意義上超過(guò)了簡(jiǎn)單預(yù)測(cè)。

參考文獻(xiàn)

1. Raftery, A.; Kárny, M.; Ettler, P. Online Prediction under Model Uncertainty via Dynamic Model Averaging: Application to a Cold Rolling Mill. Technometrics 2010, 52, 52–66. [CrossRef] [PubMed]

2. Barbieri, M.; Berger, J. Optimal Predictive Model Selection. Ann. Stat. 2004, 32, 870–897. [CrossRef]

本文摘選?《?R語(yǔ)言經(jīng)濟(jì)學(xué)：動(dòng)態(tài)模型平均(DMA)、動(dòng)態(tài)模型選擇(DMS)預(yù)測(cè)原油時(shí)間序列價(jià)格?》?，點(diǎn)擊“閱讀原文”獲取全文完整代碼、數(shù)據(jù)資料。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

時(shí)變馬爾可夫區(qū)制轉(zhuǎn)換MRS自回歸模型分析經(jīng)濟(jì)時(shí)間序列
R語(yǔ)言多維數(shù)據(jù)層次聚類(lèi)散點(diǎn)圖矩陣、配對(duì)圖、平行坐標(biāo)圖、樹(shù)狀圖可視化城市宏觀經(jīng)濟(jì)指標(biāo)數(shù)據(jù)
【數(shù)據(jù)分享】工人收入工資及其社會(huì)經(jīng)濟(jì)影響因素?cái)?shù)據(jù)
R語(yǔ)言從經(jīng)濟(jì)時(shí)間序列中用HP濾波器，小波濾波和經(jīng)驗(yàn)?zāi)B(tài)分解等提取周期性成分分析
R語(yǔ)言計(jì)量經(jīng)濟(jì)學(xué)：工具變量法(兩階段最小二乘法2SLS)線性模型分析人均食品消費(fèi)時(shí)間序列數(shù)據(jù)和回歸診斷
R語(yǔ)言計(jì)量經(jīng)濟(jì)學(xué)：虛擬變量(啞變量)在線性回歸模型中的應(yīng)用
PYTHON用時(shí)變馬爾可夫區(qū)制轉(zhuǎn)換（MRS）自回歸模型分析經(jīng)濟(jì)時(shí)間序列
R語(yǔ)言使用ARIMAX預(yù)測(cè)失業(yè)率經(jīng)濟(jì)時(shí)間序列數(shù)據(jù)
【視頻】Python和R語(yǔ)言使用指數(shù)加權(quán)平均(EWMA)，ARIMA自回歸移動(dòng)平均模型預(yù)測(cè)時(shí)間序列
R語(yǔ)言時(shí)間序列GARCH模型分析股市波動(dòng)率
R語(yǔ)言時(shí)變向量自回歸（TV-VAR）模型分析時(shí)間序列和可視化
Python和R用EWMA，ARIMA模型預(yù)測(cè)時(shí)間序列
R語(yǔ)言用LASSO，adaptive LASSO預(yù)測(cè)通貨膨脹時(shí)間序列
Python中的ARIMA模型、SARIMA模型和SARIMAX模型對(duì)時(shí)間序列預(yù)測(cè)
R語(yǔ)言arima，向量自回歸（VAR），周期自回歸(PAR)模型分析溫度時(shí)間序列
Python用ARIMA和SARIMA模型預(yù)測(cè)銷(xiāo)量時(shí)間序列數(shù)據(jù)
R語(yǔ)言線性回歸和時(shí)間序列分析北京房?jī)r(jià)影響因素可視化案例
R語(yǔ)言使用ARIMA模型預(yù)測(cè)股票收益時(shí)間序列
R語(yǔ)言分布滯后線性和非線性模型（DLMs和DLNMs）分析時(shí)間序列數(shù)據(jù)
R語(yǔ)言廣義相加模型 (GAMs)分析預(yù)測(cè)CO2時(shí)間序列數(shù)據(jù)
Python | ARIMA時(shí)間序列模型預(yù)測(cè)航空公司的乘客數(shù)量
R語(yǔ)言ARIMA，SARIMA預(yù)測(cè)道路交通流量時(shí)間序列分析:季節(jié)性、周期性
ARIMA模型預(yù)測(cè)CO2濃度時(shí)間序列-python實(shí)現(xiàn)
R語(yǔ)言用多元ARMA,GARCH ,EWMA, ETS,隨機(jī)波動(dòng)率SV模型對(duì)金融時(shí)間序列數(shù)據(jù)建模