時間序列模型的一場大規模預測測試

• Main Author: 譚經緯
• Language: 中文
• Published: 國立政治大學
• Online Access: http://thesis.lib.nccu.edu.tw/cgi-bin/cdrfb3/gsweb.cgi?o=dstdcdr&i=sid=%22A2002000473%22.

當研究者手中擁有許多預測模型可供其選擇時，如何在一公正客觀的環境下，作模型的評估與最後的選擇，而不會流於因資料過於特定而使其結論不夠穩固？本文即依此目的，建立了一套預測模型選擇的評估程序（詳見第三章或流程圖一）；基本概念上，這是一套可跨樣本、樣本資料長度可不同，且具大樣本漸次特性的「隨機資料」評估方式。然而，候選模型的考慮，完全端視使用者基本之信仰與考量；本文即選擇了八大類各具代表性之模型：Random Walks、Linear ARMA、State Space ARMA、ARFIMA、Markov Switching、GARCH、N_N_AR與N_N_Wavelets（詳見第二章），前四種屬於線性模型，後四種則為非線性模型，同時以Random Walks模型為比較標竿（benchmark），用以預測國際股價指數「每日」資料（共11國，參見表三）與「每分鐘」資料（共10國，參見表四）之報酬率，模型預測績效之評估方式則利用三種指標：MSE、MAE與MAPE。另外本文特色是清楚的將八大類模型所使用的軟體（主程式包含Matlab、SAS、Ox與Excel）其來源與特色加以簡介說明（參見表一與第二章，其中有相當比例為學術專用的免費共享軟體），以期對有興趣再行深入研究的人員能有跡可尋，將可大量縮減其程式規劃之時間，充分達到資源共享與專業分工的目的。 本文第一章首先針對近期關於「經濟預測模型比較」之文獻作一簡表式的匯總（參見表二），目的乃為彰顯目前其相關主題主要研究的方向、考慮的資料型態、比較之模型、評估準則與預測子的多寡；第二章則針對本文所考慮之預測模型作理論回顧，同時強調模型之特色與本文採用的原因；第三章乃是實證分析架構之說明，將對前段提及的預測模型評估程序作一徹底的說明；而第四章則是實證結果的分析，主要分為兩大方向：一為考慮資料其「視窗長度改變」對預測結果的影響，二為考慮資料之「樣本內資料數目比例改變」對預測結果的影響，而其結果顯示：第一、以MAPE評估指標而言，我們得到預測績效（以擊敗Random Walks模型之機率判之，樣本數300）有「隨資料視窗長度縮小而表現更好」之趨勢，此點與Chen and Tan（1999）之「隨機複雜度」的實證研究發現結論類似！第二、預測模型中，Random Walks仍具一定之代表性，而一般線性模型不見得較非線性模型表現得差（尤其當樣本內觀察值數目之比例固定在7/8的“每分鐘”資料，以MSE與MAE標準來看時，線性ARMA模型有近絕對的優勢）。第三、不同頻率資料（此處指每日或每分鐘資料）所得到之預測績效可能南轅北轍（如GARCH(1,1)模型明顯相對只較適合用於“每日”資料）！第四、兩種資料型態在視窗長度2000下，不論是單步往前（one-step-ahead）或多步往前（multiple-step-ahead）預測，Markov Switching與線性ARMA模型表現相對突出！而第五章則對本文之限制與未來可繼續深入研究之方向提出說明與建議。