Sur l'axe y est l'autocorrélation. L'axe des x indique le retard. Ainsi, si x1 nous regardons la corrélation de décembre avec novembre, novembre avec octobre, etc. Si x2, nous avons un décalage de 2 et nous examinons la corrélation de décembre avec octobre, novembre et septembre, etc. Premier graphique, il existe des corrélations positives élevées qui ne diminuent que lentement avec des décalages croissants. Cela indique beaucoup d'autocorrélation et vous devrez en tenir compte dans votre modélisation. Dans le deuxième graphique, les corrélations sont très faibles (l'axe y va de .10 à -10) et ne semblent pas avoir un modèle. Les zones grises sont des bandes de confiance (par exemple, vous dire si la corrélation est statistiquement significative). Module 4 - Analyse du corrélogramme Dans le module un (1), nous avons démontré la phase de préparation des données de l'analyse des séries chronologiques. Dans le module 2, nous avons décrit quelques étapes pour calculer de nombreuses statistiques sommaires et vérifier l'importance de leurs valeurs. Dans ce module, nous présentons quelques étapes pour effectuer une analyse de corrélogramme dans Excel à l'aide des fonctions et des outils de NumXL. Pour les données de l'échantillon, utilisez bien les prix log1 de fermeture du SampP 500 entre janvier 2009 et juillet 2012. De nombreux ensembles de données de séries temporelles présentent une interdépendance temporelle entre leurs valeurs. Ceci est important pour détecter et éventuellement contribuer à améliorer la qualité de prévision du modèle. NumXL prend en charge de nombreuses fonctions et l'interface utilisateur de l'assistant, simplifiant ainsi le processus de construction d'un ACF i et d'un ACF partiel (aka PACF i). À l'aide de la barre d'outils Correlogramme NumXL, vous pouvez générer les valeurs ACFPACF et leurs tracés en quelques étapes. À l'aide de la barre d'outils NumXL (ou menu dans Excel 97-2003), sélectionnez Correlogramme. La boîte de dialogue Correlogramme apparaît. Remplissez l'emplacement de vos données, l'ordre chronologique de la série, les options de sortie et l'emplacement pour la table et les graphiques à générer dans votre feuille de calcul. Une fois terminé, l'outil imprime la table (avec les formules) dans les cellules cibles et crée un (Si sélectionné). La zone ombrée dans les graphiques ACF et PACF représente les intervalles de confiance pour les valeurs ACF et PACF. Notez que le PACF est significatif (100) au décalage i de commande 1, et que l'ACF décline très lentement. Il s'agit d'un modèle commun indiquant la présence de unit-root2. Ensuite, prenez la première différence de la série temporelle: Ensuite, exécutez l'analyse de corrélogramme sur les séries temporelles différenciées (c'est-à-dire les retours de journaux). Les retours des grumes ne présentent pas de forte interdépendance, bien que les délais 8 et 9 montrent une signification marginale. Cela implique la question suivante: Q1: La série chronologique de log-retours présente-t-elle un bruit blanc (pas de corrélation sérielle) Pour répondre à cette question, utilisez bien l'assistant de statistiques descriptives et vérifiez l'option de test de bruit blanc. Maintenant, vérifiez le champ de test de bruit blanc (Ljung-Box): Le tableau des statistiques de synthèse avec le test de bruit blanc apparaît comme suit: La réponse à notre question est Oui. La série temporelle ne présente pas de corrélation sérielle significative Whats Next La distribution hebdomadaire des séries temporelles de log-returns possède une queue de graisse (c'est-à-dire un excès de kurtosis 0), qui peut se produire si les retours au carré sont corrélés. Est-ce que la logarithme de retour des journaux présente un effet ARCH? Est-ce que les retours hebdomadaires au carré sont corrélés ou ressemblent davantage à une distribution de bruit blanc? Lancez l'assistant de statistiques descriptives à partir de la barre d'outils NumXL (ou menu dans Excel 2003) L'effet ARCH. En examinant les résultats du test d'effet ARCH, nous concluons que les retours au carré sont corrélés en série, c'est-à-dire que nous avons une hétéroscédacy conditionnelle dans les retours de log. Le PACF montre une autocorrélation significative jusqu'au 3ème ordre de retard. Conclusion L'analyse de corrélogramme est un outil clé pour explorer l'interdépendance des valeurs d'observation. Elle peut aussi être utilisée comme outil pour identifier le modèle et estimer les ordres de ses composantes. Dans notre exemple, nous avons constaté que les retours hebdomadaires des journaux ne sont pas corrélés, mais leurs valeurs au carré sont. En conséquence, un modèle ARCHGARCH i peut être utile ici. 1. Dans le module 1, nous avons montré que la transformation logarithmique des prix fournit une meilleure distribution de valeurs 2. Dans le module 3, nous avons testé la série chronologique pour la présence de racine-unité. Liens connexes
No comments:
Post a Comment