[论文解读] Seasonal fractional long-memory processes. A semiparametric estimation approach

Valdério Anselmo Reisen, Wilfredo Palma+2 more|arXiv (Cornell University)|Nov 25, 2010

Financial Risk and Volatility Modeling参考文献 21被引用 3

一句话总结

该论文提出了一种基于对数谱密度的多元线性回归方法，用于估计具有两个不同季节周期的季节性分数阶长记忆过程的半参数估计方法。该方法能准确估计双重分数阶差分参数 $d_1$ 和 $d_2$，蒙特卡洛实验和真实数据（PM₁₀）验证了其在具有复杂季节性和长记忆动态的环境时间序列中的鲁棒性能和适用性。

ABSTRACT

This paper explores seasonal and long-memory time series properties by using the seasonal fractional ARIMA model when the seasonal data has one and two seasonal periods and short-memory counterparts. The stationarity and invertibility parameter conditions are established for the model studied. To estimate the memory parameters, the method given in Reisen, Rodrigues and Palma (2006 a,b) is generalized here to deal with a time series with two seasonal fractional long-memory parameters. The asymptotic properties are established and the accuracy of the method is investigated through Monte Carlo experiments. The good performance of the estimator indicates that it can be an alternative competitive procedure to estimate seasonal long-memory time series data. Artificial and PM10 series were considered as examples of applications of the proposed estimation method.

研究动机与目标

• 开发一种用于具有两个季节性分数阶差分参数的季节性ARFIMA模型的半参数估计方法。
• 建立具有多个季节周期的所提模型的平稳性与可逆性条件。
• 将Reisen等人（2006）的估计框架扩展至同时处理两个季节性长记忆分量。
• 通过蒙特卡洛模拟评估估计量的渐近性质和有限样本性能。
• 通过实际环境数据（如日均PM₁₀浓度）展示该方法的实际应用价值。

提出的方法

• 该方法采用对数谱密度对频率进行多元线性回归，利用半参数方法估计分数阶差分参数 $d_1$ 和 $d_2$。
• 谱密度模型设定为 $f(\lambda) = f^*(\lambda) |\lambda|^{-2d_1} \prod_{i=1}^{2} |\lambda - \lambda_{ij}|^{-2d_i}$，以捕捉两个季节性长记忆分量。
• 通过对数谱回归的斜率估计 $d_1$ 和 $d_2$，带宽选择对估计精度至关重要。
• 该方法应用于人工数据和真实PM₁₀浓度数据，以验证性能和模型拟合度。
• 通过赤池信息准则（AIC）对扰动过程的模型阶数进行选择，滤波后优选MA(1)分量。
• 最终模型为SARFIMA(0, $d_1$, 1)×(0, $d_2$, 0)₇，估计值为 $\hat{d}_1 = 0.1918$，$\hat{d}_2 = 0.1798$，$\hat{\theta} = -0.2673$。

实验结果

研究问题

• RQ1 半参数估计量能否有效估计长记忆时间序列中两个不同的季节性分数阶差分参数？
• RQ2 在不同样本大小和参数配置下，估计量的渐近性质和有限样本性能表现如何？
• RQ3 所提出的方法在估计季节性长记忆动态方面是否优于或与参数替代方法保持竞争力？
• RQ4 该方法能否可靠地检测并量化具有多个季节周期的环境时间序列中的长记忆行为？
• RQ5 带宽选择对估计记忆参数的稳定性和准确性有何影响？

主要发现

• 对于PM₁₀数据，最优带宽参数 $\alpha = 0.54$ 产生了稳定的估计值 $\hat{d}_1 = 0.1918$ 和 $\hat{d}_2 = 0.1798$，标准误较低，置信区间紧密。
• F检验强烈拒绝原假设 $H_0: \mathbf{d} = \mathbf{0}$，表明两个季节分量均存在显著的长记忆行为。
• AIC准则选择了SARFIMA(0, $d_1$, 1)×(0, $d_2$, 0)₇模型，其中 $\hat{\theta} = -0.2673$，标准误为0.0214，表明对滤波后的扰动过程拟合良好。
• 估计的系数 $\hat{\pi}_j^*$ 迅速衰减，$\hat{\pi}_{731}^* \approx 10^{-6}$，证实AR(∞)表示中远距离滞后的影响可忽略。
• 残差分析未发现异常，绝大多数自相关系数落在置信区间内，支持最终模型的充分性。
• 蒙特卡洛实验表明，即使在样本量高达1080时，估计量仍保持高精度，参数估计稳定且一致。