ĐẠI HỌC KHOA HỌC TỰ NHIÊN
KHOA CÔNG NGHỆ THÔNG TIN
---------------------------------
NGUYỄN THỊ KIM LOAN
MÔ HÌNH CHUỖI THỜI GIAN MỜ
TRONG DỰ BÁO CHUỖI THỜI GIAN
LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN
Chuyên ngành: KHOA HỌC MÁY TÍNH
Mã số: 60.48.01
Giáo viên hướng dẫn: TS. NGUYỄN CÔNG ĐIỀU
THÁI NGUYÊN – 2015
MỤC LỤC
MỞ ĐẦU ........................................................................................................ 1
CHƢƠNG 1. CÁC KIẾN THỨC CƠ BẢN VỀ CHUỖI THỜI GIAN ............
5
1. Chuỗi thời gian và quá trình ngẫu nhiên ................................................... 5
1.1. Khái niệm chuỗi thời gian và quá trình ngẫu nhiên ............................
5
1.2. Quá trình ngẫu nhiên dừng ................................................................ 6
1.3. Hàm tự tƣơng quan ............................................................................ 7
1.4. Toán tử tiến, toán tử lùi...................................................................... 8
2. Quá trình ARMA ...................................................................................... 9
2.1. Quá trình tự hồi quy ........................................................................... 9
2.2. Quá trình trung bình trƣợt ................................................................ 11
2.3. Quá trình tự hồi quy trung bình trƣợt ...............................................
13
3. Ƣớc lƣợng tham số mô hình ARMA .......................................................
15
4. Những hạn chế của mô hình ARMA trong chuỗi thời gian tài chính .......
16
CHƢƠNG 2. LÝ THUYẾT TẬP MỜ VÀ CHUỖI THỜI GIAN MỜ ...........
23
1. Lý thuyết tập mờ .................................................................................... 23
1.1. Tập mờ ............................................................................................ 23
1.2. Các phép toán trên tập mờ ............................................................... 25
2. Các quan hệ và suy luận xấp xỉ, suy diễn mờ .......................................... 30
2.1. Quan hệ mờ ..................................................................................... 30
2.2. Suy luận xấp xỉ và suy diễn mờ ....................................................... 31
3. Hệ mờ ..................................................................................................... 33
3.1. Bộ mờ hoá ....................................................................................... 33
3.2. Hệ luật mờ ....................................................................................... 34
3.3. Động cơ suy diễn ............................................................................. 35
3.4. Bộ giải mờ ....................................................................................... 36
3.5. Ví dụ minh hoạ ................................................................................ 37
CHƢƠNG 3. MỘT SỐ THUẬT TOÁN CƠ BẢN TRONG CHUỖI
THỜI
GIAN MỜ VÀ MỘT SỐ THUẬT TOÁN CẢI TIẾN ................................... 39
Một số khái niệm ....................................................................................
39
1.
1.1. Định nghĩa tập mờ và chuỗi thời gian mờ ........................................ 39
1.2. Một số định nghĩa liên quan đến chuỗi thời gian mờ........................ 40
2.
Mô hình một số thuật toán dự báo trong mô hình chuỗi thời gian mờ
......... 41
2.1. Mô hình thuật toán của Song và Chissom ........................................ 41
2.2. Mô hình thuật toán của Chen ........................................................... 42
2.3. Thuật toán của Singh ....................................................................... 43
2.4. Mô hình Heuristic cho chuỗi thời gian mờ ....................................... 45
3.
Ứng dụng trong dự báo chứng khoán ......................................................
48
3.1. Bài toán chỉ số chứng khoán Đài Loan ............................................ 48
3.2. Xây dựng chƣơng trình ....................................................................
60
KẾT LUẬN ................................................................................................... 64
TÀI LIỆU THAM KHẢO ............................................................................. 65
MỞ ĐẦU
Chuỗi thời gian đang được sử dụng như một công cụ hữu hiệu để phân tích
trong kinh tế, xã hội cũng như trong nghiên cứu khoa học. Chính do tầm quan
trọng của phân tích chuỗi thời gian, rất nhiều tác giả đã đề xuất các công cụ để
phân tích chuỗi thời gian.
Trong những năm trước, công cụ chủ yếu để phân tích chuỗi thời gian là
sử dụng các công cụ thống kê như hồi qui, phân tích Furie và một vài công cụ
khác. Nhưng hiệu quả nhất có lẽ là mô hình ARIMA của Box-Jenkins. Mô hình
này đã cho một kết quả khá tốt trong phân tích dữ liệu. Tuy nhiên sự phức tạp
của thuật toán đã gây khó khăn khi ứng dụng trong phân tích chuỗi số liệu, nhất
là khi chuỗi số liệu có những thay đổi phản ánh sự phi tuyến của mô hình.
Để vượt qua được những khó khăn trên, gần đây nhiều tác giả đã sử dụng
mô hình chuỗi thời gian mờ. Khái niệm tập mờ được Zadeh đưa ra từ năm 1965
và ngày càng tìm được ứng dụng trong nhiều lĩnh vực khác nhau nhất là trong
điều khiển và trí tuệ nhân tạo. Trong lĩnh vực phân tích chuỗi thời gian, Song và
Chissom đã đưa khái niệm chuỗi thời gian mờ phụ thuộc vào thời gian và không
phụ thuộc vào thời gian để dự báo. Chen đã cải tiến và đưa ra phương pháp mới
đơn giản và hữu hiệu hơn so với phương pháp của Song và Chissom. Trong
phương pháp của mình, thay vì sử dụng các phép tính tổ hợp Max- Min phức tạp,
Chen đã tính toán bằng các phép tính số học đơn giản để thiết lập mối quan hệ
mờ. Phương pháp của Chen cho hiệu quả cao hơn về mặt sai số dự báo và độ
phức tạp của thuật toán.
Từ các công trình ban đầu về chuỗi thời gian mờ được xuất hiện năm 1993,
hiện nay mô hình này đang được sử dụng để dự báo rất nhiều lĩnh vực trong kinh
tế hay xã hội như trong lĩnh vực giáo dục để dự báo số sinh viên nhập trường,
1
hay trong lĩnh vực dự báo thất nghiệp, trong lĩnh vực dân số, chứng khoán và
trong nhiều lĩnh vực khác như tiêu thụ điện, hay dự báo nhiệt độ của thời tiết…
Tuy nhiên xét về độ chính xác của dự báo, một số thuật toán trên còn cho
kết quả chưa cao. Để nâng cao độ chính xác của dự báo, một số thuật toán cho
moo hình chuỗi thời gian mờ liên tiếp được đưa ra. Chen sử dụng mô hình bậc
cao của chuỗi thời gian mờ để tính toán. Sah và Degtiarev thay vì dự báo chuỗi
thời gian đã sử dụng chuỗi thời gian là hiệu số bậc nhất để nâng cao độ chính
xác. Đây cũng là một phương pháp hay được sử dụng trong mô hình Box-Jenkins
để loại bỏ tính không dừng của chuỗi thời gian. Huarng đã sử dụng các thông tin
có trước trong tính chất của chuỗi thời gian như mức độ tăng giảm để đưa ra mô
hình heuristic chuỗi thời gian mờ.
Trong thời gian gần đây, đề tài này vẫn luôn được một số tác giả nghiên
cứu. Các hướng hiện nay vẫn là tập trung nâng cao độ chính xác dự báo của mô
hình chuỗi thời gian mờ. Bài báo của I-Hong Kuo và các tác giả (2008) đưa ra
phương pháp tăng độ chính xác của dự báo bằng tối ưu các phần tử đám đông
(Particle swarm optimaization). Ching Hsue Cheng và các đồng tác giả (2008)
mở rông nghiên cứu bằng các phương pháp kỳ vọng (Exspectation method) và
Phương pháp lựa chọn mức (Grade Selection Method) thông qua các ma trận
chuyển dịch có trọng. Ngoài ra hiện nay có xu hướng sử dụng kết hợp các phương
pháp khác nhau với chuỗi thời gian mờ như phương pháp mạng Nơ ron như
Cagdas H. Aladag (2008) hay Medey Khascay (2008). Ngay cả một nhà nghiên
cứu sâu trong lĩnh vực này là Huarng cũng đã mở rộng theo hướng này từ năm
2006. Thuật toán di truyền cũng tìm được ứng dụng trong hướng nghiên cứu này.
Năm 2007 có bài báo của Li-Wei Lee sử dụng mối quan hệ mờ và thuật toán di
truyền để dự báo nhiệt độ và chỉ số tài chính của Đài Loan. Ngoài ra một số tác
giả khác tìm những thuật toán khác đơn giản để dự báo như bài báo của Singh
(2007) hay thuật toán dựa vào trend của chuỗi thời gian (Baldwin 2000).
2
Nghiên cứu dự báo chuỗi thời gian luôn là một bài toán gây được sự chú
ý của các nhà toán học, kinh tế, xã hội học,... Các quan sát trong thực tế thường
được thu thập dưới dạng chuỗi số liệu. Từ những chuỗi số liệu này người ta có
thể rút ra được những quy luật của một quá trình được mô tả thông qua chuỗi số
liệu. Nhưng ứng dụng quan trọng nhất là dự báo khả năng xảy ra khi cho một
chuỗi số liệu. Những thí dụ dẫn ra trong các bài báo đều đưa ra khả năng dự báo
trong kinh tế như dự báo chỉ số chứng khoán, mức tăng dân số, dự báo nhu cầu
sử dụng điện, dự báo số lượng sinh viên nhập học của một trường đại học... Các
thí dụ này đều có thể dẫn ra trong mỗi ngành kinh tế kỹ thuật.
Như đã trình bày ở phần trên, có khá nhiều phương pháp dự báo chuỗi thời
gian. Thông thường để dự báo, người ta sử dụng một công cụ khá mạnh của thống
kê là mô hình ARIMA. Mô hình này thích ứng hầu hết cho chuỗi thời gian dừng
và tuyến tính. Trong mỗi bộ chương trình xử lý số liệu đều có một phần để dự
báo chuỗi thời gian. Nhưng đối với các chuỗi số liệu phi tuyến, nhất là trong số
liệu kinh tế, sử dụng mô hình ARIMA kém hiệu quả. Chính vì vậy phải có những
phương pháp khác nhau để xử lý chuỗi số liệu phi tuyến. Đã có nhiều người sử
dụng công cụ mạng nơ ron để xử lý tính chất phi tuyên của chuỗi số liệu. Đây là
một hướng đi đã được nhiều người tiếp cận và đã có những sách chuyên khảo về
vấn đề này thí dụ như cuốn của Mandic và Chambers “ Recurrent neural network
and prediction” in vào năm 2001. Một hướng đi khác là sử dụng khái niệm mờ
để đưa ra thuật ngữ “ Chuỗi thời gian mờ”. Phương pháp sử dụng chuỗi thời gian
mờ đã được đưa ra từ năm 1994 và đến nay vẫn đang được tiếp tục nghiên cứu
để làm tăng độ chính xác của dự báo.
Trong đề tài này em trình bày phương pháp dự báo chỉ số chứng khoán
bằng công cụ chuỗi thời gian mờ đã được một số tác giả phát triển. Tư tưởng
chính của phương pháp là sử dụng một số khái niệm của Huarng và Chen, Hsu
để phát triển thuật toán mới. Dựa trên thuật toán đề ra, em đã tính toán một bài
3
toán thực tế dựa trên dữ liệu lấy từ thị trường chứng khoán Đài Loan để kiểm
chứng. Kết quả thu được rất khả quan. Độ chính xác của dự báo được nâng lên
khá nhiều so với các thuật toán trước đây đề ra.
Nội dung chính của luận văn nghiên cứu những khái niệm, tính chất và
những thuật toán khác nhau trong mô hình chuỗi thời gian mờ để dự báo cho một
số chuỗi số trong kinh tế xã hội, được trình bày trong 3 chương:
Chương 1: trình bày các kiến thức cơ bản về chuỗi thời gian.
Chương 2: trình bày Lý thuyết tập mờ và chuỗi thời gian mờ.
Chương 3: trình bày một số thuật toán cơ bản trong chuỗi thời gian mờ và
một số thuật toán cải tiến.
Luận văn này được hoàn thành dưới sự hướng dẫn tận tình của TS Nguyễn
Công Điều, tác giả xin bày tỏ lòng biết ơn chân thành của mình đối với thầy. Tác
giả xin chân thành cảm ơn các thầy giáo Viện công nghệ thông tin, khoa Công
nghệ thông tin Đại học Thái Nguyên đã tham gia giảng dạy giúp đỡ em trong
suốt qúa trình học tập nâng cao trình độ kiến thức. Tuy nhiên vì điều kiện thời
gian và khả năng có hạn nên luận văn không thể tránh khỏi những thiếu sót. Tác
giả rất mong các thầy cô giáo và bạn đóng góp ý kiến để đề tài được hoàn thiện
hơn.
CHƢƠNG 1
CÁC KIẾN THỨC CƠ BẢN VỀ CHUỖI THỜI GIAN
4
Trong phần này, chúng ta sẽ tìm hiểu về một lớp mô hình chuỗi thời gian
hết sức thông dụng trong thực tế. Đó là mô hình quy trình trượt
ARMA(Autoregressive Moving Average). Ta sẽ nghiên cứu các đặc trưng của
quá trình ARMA, xem xét tổng quan về phương pháp ước lượng tham số của lớp
mô hình này và cũng thấy rõ được hạn chế của nó khi áp dụng vào chuỗi thời gian
tài chính. Ngoài ra, mô hình ARMA còn đóng vai trò quan trong như là cơ sở để
xây dựng mô hình ARCH sau này.
1. Chuỗi thời gian và quá trình ngẫu nhiên
Trước khi đi vào chi tiết tìm hiểu về mô hình ARMA, ta sẽ nhắc lại một
số khái niệm liên quan đến chuỗi thời gian và quá trình ngẫu nhiên. Dù là ta đi
vào chi tiết mô hình gì đi chăng nữa thì các khái niệm cơ bản này vẫn sẽ theo
chúng ta trong suốt quá trình nghiên cứu về chuỗi thời gian.
1.1. Khái niệm chuỗi thời gian và quá trình ngẫu nhiên
Một chuỗi thời gian là một dãy các giá trị quan sát X:={x1, x2,……… xn}
được xếp thứ tự diễn biến thời gian với x1 là các giá trị quan sát tại thời điểm
đầu tiên, x2 là quan sát tại thời điểm thứ 2 và xn là quan sát tại thời điểm thứ n.
Ví dụ: Các báo cáo tài chính mà ta thấy hằng ngày trên báo chí, tivi hay
Internet về các chỉ số chứng khoán, tỷ giá tiền tệ, chỉ số tăng cường hay chỉ số
tiêu dùng đều là những thể hiện rất thực tế của chuỗi thời gian.
Bước đầu tiên của việc phân tích chuỗi thời gian là chọn một mô hình toán
học phù hợp với tập dữ liệu cho trước X:={x1, x2,……… xn}nào đó. Để có thể nói
về bản chất của những quan sát chưa diễn ra, ta giả thiết mỗi quan sát xt là một
giá trị thể hiện của biến ngẫu nhiên Xt với t T. Ở đây T được gọi là tập chỉ số.
Khi đó ta có thể coi tập dữ liệu X:={x1, x2,……… xn} là thể hiện của quá trình
5
ngẫu nhiên Xt, t T . Và vì vậy, ta có thể định nghĩa một quá trình ngẫu nhiên
như sau
Định nghĩa 1.1(Quá trình ngẫu nhiên)
Một quá trình ngẫu nhiên là một họ các biến ngẫu nhiên
Xt, t T được
định nghĩa trên một không gian xác suất( , , ).
Chú ý:
Trong việc phân tích chuỗi thời gian, tập chỉ số T là một tập các thời điểm,
ví dụ như là tập {1,2..} hay tập (- ,+ ). Tất nhiên cũng có những quá trình ngẫu
nhiên có T không phải là một tập con của R nhưng trong giới hạn của luận văn
này ta chỉ xét cho trường hợp T R. Và thường thì ta xem T là các tập các số
nguyên, khi đó ta sẽ sử dụng ký hiệu tập chỉ số là Z thay vì T ở trên. Một điểm
chú ý nữa là trong luận văn này chúng ta sẽ dùng thuật ngữ chuỗi thời gian để
đồng thời chỉ dữ liệu cũng như quá trình có dữ liệu đó là một thể hiện. 1.2. Quá
trình ngẫu nhiên dừng
Định nghĩa 1.2 (Hàm tự hiệp phƣơng sai)
Giả sử
Xt, t Z là một quá trình ngẫu nhiên có var(Xt)< với mỗi t
Z. Khi đó hàm tự hiệp phương sai của Xt được định nghĩa theo công thức sau:
x(r,s): cov(Xr, Xs) E[(Xr EXr)(Xs EXs)],với r, s
Z.
Định nghĩa 1.3 (Quá trình dừng)
Chuỗi thời gian Xt, t Z được gọi là dừng nếu nó thoả mãn 3 điều
kiện sau:
- E Xt 2
, t Z
6
- EX t m, t Z
-
x
(r,s)
x
(r t,s t), t,r,s Z
Định lý 1.1
Nếu
Xt, t Z là một quá trình dừng, và nếu như at
điều kiện
ai
thì hệ thức Yt :
R, i Z thoả mãn
aiXt-i ,t Z sẽ định nghĩa một
quá dừng.
i
i
Chú ý: Cũng có tài liệu gọi “dừng” theo nghĩa trên là dừng yếu, đừng theo
nghĩa rộng hay dừng bậc hai. Tuy nhiên ở đây ta chỉ xem xét tính dừng theo nghĩa
đã định nghĩa ở trên
Khi chuỗi thời gian Xt, t Z
yx
là dừng thì
(r,s)
x(r s,0), r,s Z,
Và vì vậy, với một quá trình dừng thì có thể định nghĩa lại hàm tự hiệp
phương sai bằng cách chỉ thông qua hàm một biến. Khi đó, với quá trình dừng
Xt, t Z ta có:
yx(h)
x(h,0) Cov(Xt h,Xt), t,h Z
Hàm số yx (.) được gọi là hàm tự hiệp phương sai của Xt, còn
x(h)là
giá
trị của nó tại “trễ” h. Đối với một quá trình dừng thì ta thường ký hiệu hàm tự
hiệp phương sai bởi (.) thay vì
x(.).
Với một quá trình dừng thì hàm hiệp phương sai có các tính chất
(0)
0, (h)
7
(0), h Z
Và nó còn là một hàm chẵn nghĩa là:
(h) = (-h), h Z.
1.3. Hàm tự tƣơng quan
Định nghĩa 1.4
Hàm tự tương quan của quá trình ngẫu nhiên
Xt, t Z
được định
nghĩa tại trễ h như sau:
(h): = (h)/ (0):=corr(Xt+h,Xt), t, h Z
Chú ý:
Trong thực tế, ta chỉ quan sát được một thể hiện hữu hạn X:={xt, t =
1,2,…n}của một chuỗi thời gian đừng nên về nguyên tắc ta không thể biết chính
xác được các hàm tự hiệp phương sai của chuỗi thời gian đó, muốn ước lượng nó
ta đưa vào khái niệm hàm tự hiệp phương sai mẫu của thể hiện X.
Hàm tự hiệp phương sai mẫu của một thể hiện X được định nghĩa bởi công thức
c(h) : n 1
1 1
n nj
h (x j
x)(x j h
x),0
h
n
n
Và c(h): c( h),n h 0,trong đó x n
x j là trung bình mẫu.
1
j 1
Khi đó thì hàm tương tự tương quan mẫu cũng định nghĩa thông qua hàm
tự hiệp phương sai mẫu như sau:
r(h): c(h)/c(0), h n.
1.4. Toán tử tiến, toán tử lùi
8
Toán tử lùi B kết hợp với một quá trình ngẫu nhiên
ngẫu nhiên
Y t, t Z
Xt, t Z
là quá trình
sao cho
Yt : BX t : X t
1
Toán tử lìu B là toán tử tuyến tính va khả nghịch. Nghịch đảo của nó
B-1:=F được gọi là toán tử tiến, định nghĩa bởi công thức:
FXt :=Xt+1
Các toán tử B, F thoả mãn hệ thức
BnXt = Xt-n, FnXt :=Xt+n Và
n aiB i
Xt i
n0aiXt-i
i 0
Chú ý:
Một cách tổng quát, người ta có thể định nghĩa các chuỗi theo toán tử tiến F
hay toán tử lùi b và muốn thế chúng ta hạn chế trong trường hợp các quá
trình là dừng. Khi đó, giả sử ta có quá trình dừng
,i Z tuyệt đối khả tổng, tức là i
a
i
và một dãy {ai
, thì định lý 1.1, quá trình
i
ai X t i ,t Z cũng là quá trình dừng. Ta ký hiệu
Yt :
Xt, t Z
ai Bi là ánh xạ đặt
i
tương ứng quá trình dừng
Xt, t Z
với quá trình dừng
Yt, t Z . Các chuỗi
theo B khi đó sẽ có những tính chất cho phép ta xử lý nó tương tự như đối với
chuỗi nguyên thông thường. Đặc biệt ta có thể thực hiện phép cộng, phép nhân
9
hay phép lấy nghịch đảo. Điều này có vai trò quan trọng trong các phép biến đổi
của đa thức tự hồi quy, đa thức trung bình trượt và các phép biến đổi xử lý chuỗi
thời gian khác.
2. Quá trình ARMA
2.1. Quá trình tự hồi quy
Định nghĩa 1.5 (Quá trình ồn trắng)
Quá trình ngẫu nhiên
tt
Z được gọi là một ồn trắng, ký hiệu
WN(0, 2), khi nó thoả mãn các điều kiện sau:
E
t
s=
0 (t s)
2
E t
2
E t
0, t
Định nghĩa 1.6 (Quá trình tự hồi quy)
Người ta gọi quá trình ngẫu nhiên
quy cấp P, viết là Xt
Xt
Xt, t Z là một quá trình tự hồi
AR(p), là một quá trình dừng {Xt, t Z} thoả mãn
a1Xt 1
a2Xt 2 ... apXt-p
t,ap
0.
với { } là một ồn trắng.
Ta có thể viết biểu thức của quá trình tự hồi quy ở trên bởi công thức
Xt a1Xt 1 a2Xt 2 .... apXt-p
Hay ở dạng
10
t,ap
0,
toán tử
a(z): 1 a1
2 ... apzp
z a2 z
ở đây a(z) được gọi là đa thức hồi quy.
Chú ý:
Nếu đa thức a(z) ở trên có nghiệm nằm ngoài đĩa tròn đơn vị ( z 1)thì Xt
được gọi là quá trình nhân quả tự hồi qui cấp p và nói chung ta chỉ xét các quá
trình nhân quả.
Các đặc trưng của quá trình tự hồi quy cấp p:
-
E(Xt) = 0
p
-
(0)
ai (i) |
2
t 1
p
-
(h)
ai (h i)
0, h
0
i 1
Lần lượt cho h = 1,2,….p ta được
(1) ….
(1) 1
(p-1)
1
….
….
(p-2)
….
(p-3)
….
…... …..
(p-2)…. (p-3)
-2)
(1)
aa pp
1
1
1
(1)
(p-1)
a
(1)
1
(2)
a2
= ......
((pp) 1)
11
(p-1) (p
Hệ phương trình gọi là hệ phương trình Jule – Walker, song tuyến đối với a
và .
Nghĩa là nếu cho
ta sẽ tính được a và ngược lại cho a ta cũng sẽ tính được .
Trong hệ phương trình Jule – Walker, nếu ta đặt
pi
= ai, i =1,…p thì
hệ phương trình Jule – Walker tương đương với
( j)
Đại lượng
pp
p1
(j
p), j 1,..., p
ở trên được gọi là tự tương quan riêng cấp p của quá trình
{Xt , nó đóng vai trò rất quan trọng trong việc xác định bậc của quá trình tự hồi
quy cũng như việc ước lượng tham số mô hình tự hồi quy sau này.
Trong việc thực tế, khi cho chuỗi quan sát X:= x1, t = 1,2…,n thì ta dùng
công thức của tương quan mẫu để tính các r(i), là các giá trị xấp xỉ của (i). Khi
đã có các tự tương quan mẫu ta thay vào hệ phương trình Jule – Walker và giải
nó để tìm các tham số a1. Từ đây ta cũng xác định được tương
quan riêng
p1…., pp.
2.2. Quá trình trung bình trƣợt
Định nghĩa1.7 (Quá trình trung bình trƣợt)
Một quá trình trung bình trượt cấp q, ký hiệu Xt MA(q), là một quá
trình
Xt, t Z thoả mãn biểu thức
Xt
với
t
1 b1 t 1 .... bq t q,b1b2,...,bq R,bq
là một ồn trắng.
12
0
Ta cũng có thể viết biểu thức trung bình trượt ở trên dưói dạng toán tử lìu
tương tự như đối với quá trình tự hồi quy như sau :
Xt = b(B)
t,
Trong đó hàm b(.) định nghĩa bởi
b(z) : = 1+b1z+…+bqzq.
Ở đây b(z) được gọi là đa thức trung bình trượt .
Chú ý:
Khác với quá trình AR, biểu thức trên luôn xác định duy nhất một quá trình
MA mà không đòi hỏi thêm điều kiện gì đối với các hệ số b 1. Và với giả
thiết
t
là ồn trắng thì theo định lý 1.1 ta có b(z) (z)
= 1.
Và khi đó
1
có thể biểu diễn dưới dạng
t
j;
j
j
jXt j; (z)
j
jz j
Một chú ý nữa, cũng giống như trường hợp AR, nếu đa thức trung bình
trượt b(z) không có nghiệm có môđun bằng 1 thì ta có thể biểu diễn X t dưới
dạng sau:
Xt
j
Xt
j
j 1
Và có thể xác định
b(z),(
0
i
t
;
j
j
bằng cách chia 1(theo luỹ thừa tăng) cho
1)..
13
Khi quá trình Xt có thể biểu diễn ở dạng trên, tức là khi b(z) chỉ có nghiệm
có môđun lớn hơn 1 thì ta nói Xt là một quá trình khả nghịch. Và từ nay về sau,
nếu không nói gì thêm thì khi nói về các quá trình AR và MA chúng ta hiểu đó
là các quá trình nhân quả và khả nghịch.
Các đặc trưng của quá trình trung bình trượt:
Trước hết, ta dễ dàng thấy rằng
0,
EXt
Và
2
2
E(Xt t )
,s t
b1,s t i;1 i
q
0,s
Mặt khác ta có:
(h): E(XtXt h)
E(Xt ( t h b1 1 h 1 bq 1 h q))
Từ đó ta suy ra
(h)
(h)
2
(bh b1bh 1 ... bq hbq),b0 : 1;1 h q
0,h q
Đặc biệt ta có
(0): var Xt
14
2
(1 b1
2
... bq
2
Từ công thức hiệp sai của quá trình trung bình trượt ta suy ra công thức của
tự tương quan như sau:
b
h
b
1
b
h 1
....
b
q h q
b ,h 1,2....q
2
2
1 b1 .... bq
(h)
0,
h. q
2.3. Quá trình tự hồi quy trung bình trƣợt
Định nghĩa 1.8 (quá trình tự hồi quy trung bình trượt)
Một quá trình
Xt, t Z được gọi là quá trình tự hồi quy trung bình
X
trượt cấp p,q , kí hiệu t ARMA(p,q) là một quá trình Xt, t Z thỏa mãn
Xt
a1Xt 1 .... apXt p
t b1 t 1 ...
bq t q,a1,a2,...ap,b1,b2,...,bq R,ap
0,bq
0
Trong đó t là ồn trắng, a(.) và b(.) lần lượt là đa thức tự hồi quy và đa
thức trung bình trượt có bậc tương ứng là p và q:
p
a(z): 1 a1z ... apz b(z): 1 b1z ... bqzq
Khi đó ta có thể viết quá trình ARMA ở dạng toán tử như sau a(B)Xt b(B) t
Định nghĩa 1.9 (Quá trình nhân khả nghịch)
15
Một quá trình ARMA(p,q) được gọi là một quá trình nhân quả và khả nghịch
nếu có là một quá trình ARMA(p,q) có a(z) và b(z) thỏa mãn hai điều kiện:
i)
a(z) và b(z) không có nghiệm chung
ii)
a(z) và b(z) không có nghiệm có môđun không
vượt quá 1 Chú ý:
Do tính nhân quả và khả nghịch cộng với tính chất khả đảo của đa thức toán
tử, ta có thể biểu diễn một quá trình
Xt i
0 i t i, 0 1;i
Và có thể tính các hệ số
t
1 i
.
bằng cách chia theo lũy thừa tăng a(z) cho b(z).
Các đặc trưng của quá trình ARMA:
Trước hết ta có
p
(h)
E(XtXt h) t
q
1a1 (h i)
.X (h) i
Với
.X (k): E( tXt k
Mặt khác ta có thể biểu diễn
Xt k i
0 i t k i
Và ta có
16
1bi
.X (h i)
0,k 0
e.X (k)
k 2,k 0
Lần lượt cho h = 0,1,...p trong các chương trình trên và chú ý đến tính chẵn
của hàm (h) ta có hệ phương trình tuyến tính đối với (0),..., (p) hay
với (1),... (p).
p
(h)
ai (h i),h
q
i 1
Và vì thế
p
(h)
ai (h i),h q.
i 1
3. Ước lượng tham số mô hình ARMA
Giả sử ta cần ước lượng các tham số của mô hình ARMA(p,q)
Xt
a1Xt 1
...
apXt p
t
b1 t 1
... bq t q,a1,a2,...,ap,b1,b2,...,bq
R,ap
trong đó t đóng vai trò là sai số.
Đối với mô hình ARMA cũng có nhiều phương pháp ước lượng tham số
hiệu quả và được nêu ra chi tiết trong P.Brockwell, R. David, 2001. Dưới đây, ta
sẽ xem xét phương pháp bình phương cực tiểu theo kiểu thuật toán Hannan –
Rissanen. Ý tưởng của thuật toán này là sử dụng hồi quy tuyến tính để ước lượng
các tham số. Nếu q>0 ta còn phải ước lượng các giá trị chưa biết t .
Thuật toán Hannan – Rissanen
Bước 1:
17
0,b q
- Xem thêm -