论文部分内容阅读
本研究创新的提出了区间时间序列模型方法论。传统时间序列分析以‘点样本’为基础进行统计推断。但是在给定的时间区间内，收集的‘点’样本只能够反映时间序列的‘水平’或者‘波动’信息，而无法两者兼得。一个‘区间’样本，其上下界的取值大小和上下界取值的差分可以分别反映时间序列的‘水平’和‘波动’信息。因此‘区间’时序样本较‘点’时序样本包含更多的信息。现实中存在很多‘区间’取值的数据。例如，每日的气温在其最大最小值构成的区间内波动；某一天内股票价格指数的取值；国内生产总值同比增长率在一年内的取值；一定交易时段内的买方出价和卖方报价构成的区间；某时点上短期利率和长期利率构成的区间；一年内某区域工资水平的10％和90％分位数构成的区间等等。另一方面，所关注的预测对象也有许多是区间，比如未来一年的国内生产总值同比增长率的取值范围；某资产价格在未来特定交易时段的波动范围，未来一年内男女职工的工资水平和工资差异等等。‘区间’样本较‘点’样本包含更多的信息，因此对其建模预期得到更加有效的统计推断结果。
本研究提出了以‘区间时间序列’为研究对象、对‘区间’样本建模的(可带有外生变量的)条件自回归区间时间序列模型(Autoregressive Conditional IntervalModels with Exogenous Variables，ACIX)，以探究‘区间’样本较‘点’样本具有的信息优势是否能够带来更精确的统计推断结果，并以该模型进行区间预报。ACIX模型的创新之处和主要特色包括：
1.定义了随机区间的概率空间以及区间时间序列。考虑到经济现实时序数据的特点，拓展了传统区间的定义，允许区间的下界取值大于上界取值。并且改变了传统区间运算的定义，以缩减运算所得区间的宽度、提高统计推断的精度。
2.为了定义区间时间序列的自相关函数和模型估计的目标函数，提出了新的区间距离量度。其中，拓展了原有Kernel函数的定义以探究ACIX模型和传统点模型的联系与区别。
3.建立了对应于前述区间距离量度的区间弱大数定律。在随机集的研究领域，已经建立了独立同分布的随机集合对应于Hausdorff距离量度的大数定律。本研究考虑到时间序列的自相关性，提出了区间样本均值弱收敛到总体期望的条件。
4.提出了ACIX模型和模型的基本假设。以上述区间距离量度为基础，提出了全新的模型参数的最小距离估计方法。以前述理论为基础，证明了在基本假设下参数估计的相合性以及其渐进正态分布。并提出了拉格朗日乘子法以及沃尔德法对模型参数进行假设检验。
5.作为ACIX的一个静态模型特例，提出了针对横截面区间数据建模的区间回归模型(Interval Regression Models，IRX)。根据横截面数据的特点，给出了IRX模型参数估计相合性和渐进正态分布的条件并进行了证明。
6.蒙特拉罗模拟显示，在均方误差准则下，使用区间样本和所提出的最小距离估计比点样本和最小二乘估计得到更为有效的统计推断结果。在资产定价模型的实证研究中，使用区间资产定价模型可发现债券市场的某些因素对股票的超额收益也存在解释力，而在Fama&French(1993)中这些因素都是统计上不显著的。另外，在对原油价格的预报实证研究中，三种区间模型较传统点模型均得到更为精确的预测结果。这些都证明了区间样本的信息价值可以带来更为精确的统计推断结果和预测结果。