简介SSTVARToolbox 是面向经济、金融时间序列分析人员的 MATLAB 工具包专注平滑转换向量自回归STVAR模型的估计、检验与应用适合已掌握基础 VAR 模型、希望进一步处理非线性动态关系的研究者与分析师。压缩包共 23 个文件以 21 个 .m 脚本为核心覆盖模型设定、参数估计、稳定性检验与脉冲响应分析等环节另附 2 份 PDF 指南辅助理解整体约 112KB结构紧凑便于快速上手。目前已有 325 人学习下载。工具包提供从平滑转换函数与阈值选择、最大似然或 GMM 估计到脉冲响应、方差分解及诊断检验的流程化支持并配有应用示例帮助读者将 STVAR 应用于宏观经济指标或金融市场数据提升非线性结构下预测与政策评估的准确度。1. 从一张脉冲响应图说起SSTVARToolbox 到底解决什么问题很多人第一次接触SSTVAR平滑转换向量自回归是在论文里看到一张非线性脉冲响应图——同一笔冲击在区制一里三个季度就衰减干净在区制二里却能拖两年还反弹。回头想用自己手头的宏观或金融月度数据复现才发现普通 VAR 根本画不出这种曲线因为它的系数矩阵是固定的而 SSTVAR 的系数会随一个可观测的转换变量在两组参数之间平滑滑动。SSTVARToolbox就是冲着这个痛点来的它把模型设定、非线性最小二乘估计、区制识别、广义脉冲响应这几步打包成一套可调用的流程让你不用从零推导转移函数和雅可比矩阵。这篇笔记面向已经跑过 VAR、想往非线性方向走一步的从业者也适合被导师要求复现 STVAR 结果的研究生。我会按「模型怎么立住 → 工具箱怎么跑通 → 参数怎么调 → 坑在哪」的顺序讲所有步骤都能落到你自己的数据上。2. 平滑转换向量自回归的数学骨架与选型理由2.1 从线性 VAR 到 SSTVAR多出来的那个转移函数普通 VAR 的形式大家都熟y_t c A_1 y_{t-1} ... A_p y_{t-p} ε_t系数矩阵 A 不随时间变。SSTVAR 在它基础上做了一件事——让系数在两组极端状态之间连续插值y_t c [A_1^L y_{t-1} ...] * (1 - G(s_t)) [A_1^H y_{t-1} ...] * G(s_t) ε_t这里 L 和 H 分别代表低区制和高区制G(s_t)是取值在 0 到 1 之间的转移函数s_t是转换变量可以是滞后的某个内生变量也可以是外生的经济指标。常见的转移函数有两种逻辑型G 1/(1exp(-γ(s_t - c)))和指数型G 1 - exp(-γ(s_t - c)²)。逻辑型描述的是「低于阈值一套规则、高于阈值另一套规则」的非对称切换指数型描述的是「偏离阈值越远、非线性越强」的对称效应。选型上我一般这样判断如果你的经济故事是「衰退期和扩张期传导机制不同」用逻辑型如果是「极端冲击才有非线性、温和波动时接近线性」用指数型。转换变量s_t的选择更关键——它必须理论上能驱动机制切换实操里常用产出缺口、利率水平、波动率指数或者滞后的因变量本身。选错了s_t估计出来的 γ 会不显著模型退化成线性 VAR白忙一场。2.2 为什么不用门限 VAR 而用平滑转换门限 VARTVAR是硬切换G只有 0 和 1 两个值状态在阈值处瞬间跳变。SSTVAR 的平滑转换更贴近现实——经济体制的切换通常有过渡期不是某一天突然全变。代价是估计更难TVAR 可以按阈值分组做分段 OLSSSTVAR 必须用非线性优化同时估 γ、c 和所有系数矩阵目标函数非凸对初值敏感。这也是为什么需要工具箱——手写这段优化光雅可比矩阵就能让你调一整天。提示如果你的样本量小于 150 个观测点先别急着上 SSTVAR。参数个数是线性 VAR 的两倍多加上 γ 和 c小样本下估计量偏差会大到没法解释。2.3 工具箱里通常包含的模块一套完整的 SSTVAR 实现核心模块跑不出这几块数据预处理与滞后阶选择、线性 VAR 初估给非线性优化提供初值、转移函数与似然函数构造、非线性最小二乘或极大似然估计、区制概率与转换变量时序图、广义脉冲响应函数GIRF。GIRF 这块要特别注意——非线性模型的脉冲响应依赖冲击发生时的历史状态和冲击大小不能像线性 VAR 那样只画一条线得对历史状态做蒙特卡洛积分。3. 用 SSTVARToolbox 跑通第一个模型从数据到脉冲响应3.1 数据准备与滞后阶的确定假设你手头是一份月度宏观数据包含产出增速gdp、通胀cpi、利率rate三个变量样本从 2005 年 1 月到 2023 年 12 月。第一步是整理成矩阵并确定滞后阶。工具箱一般要求输入T×K的数值矩阵时间在行、变量在列。import numpy as np import pandas as pd # 读取数据确保时间列已解析为索引 df pd.read_csv(macro_monthly.csv, parse_dates[date]).set_index(date) data df[[gdp, cpi, rate]].dropna() # 用 AIC/BIC 在滞后 1 到 8 阶之间选线性 VAR 的最优滞后 from statsmodels.tsa.api import VAR model VAR(data) lag_order model.select_order(maxlags8) print(lag_order.summary()) p lag_order.aic # 假设 AIC 选出 2 阶这段代码先用statsmodels的select_order给出 AIC、BIC、HQIC 三个准则下的建议滞后阶。逻辑是SSTVAR 的滞后阶通常直接沿用线性 VAR 的选择因为非线性部分不改变滞后结构。参数上maxlags8是月度数据的经验上限季度数据可以设到 4。如果三个准则打架优先看 BIC它在大样本下更一致样本小于 200 时看 AIC避免欠拟合。3.2 线性 VAR 初估给非线性优化一个靠谱起点非线性优化最怕初值乱给。工具箱的标准做法是先估一个线性 VAR把系数矩阵作为低区制和高区制的共同初值γ 给一个中等值比如 1c 给转换变量的中位数。# 拟合线性 VAR 并提取系数作为初值 results model.fit(p) A_coefs results.coefs # 形状 (p, K, K) intercept results.intercept # 构造 SSTVAR 的初值向量两组系数先都设成线性估计值 init_params { A_low: A_coefs.copy(), A_high: A_coefs.copy(), c_low: intercept.copy(), c_high: intercept.copy(), gamma: 1.0, threshold: np.median(data[gdp]) # 转换变量取 gdp }这里A_low和A_high都设成同一组值意味着模型从线性出发优化过程中逐渐分化出两个区制。gamma1.0是个中性起点太大容易让转移函数变成硬切换太小则退化成线性。threshold用转换变量的中位数保证初始状态下两个区制都有足够的样本点参与估计。3.3 调用工具箱估计 SSTVAR不同版本的 SSTVARToolbox 接口名可能不同但核心调用逻辑一致传入数据、滞后阶、转换变量、转移函数类型和初值。from sstvar import SSTVAR # 转换变量取 gdp 的滞后一阶避免同期内生性 s_t data[gdp].shift(1).dropna() data_aligned data.loc[s_t.index] model_sstvar SSTVAR( datadata_aligned, lagsp, transition_vars_t, transition_typelogistic, # 逻辑型转移函数 init_paramsinit_params ) res model_sstvar.fit(methodnm, maxiter5000) print(res.summary()) print(f估计的 gamma: {res.gamma:.3f}, 阈值 c: {res.threshold:.3f})methodnm指 Nelder-Mead 单纯形法对非凸目标函数比梯度法稳健代价是收敛慢。maxiter5000是保险值实际收敛通常在 1000 次以内。跑完后重点看两个数γ 的 t 统计量是否显著不显著说明非线性不成立以及阈值 c 是否落在转换变量的合理取值范围内。如果 γ 估计出来大于 50转移函数近似硬切换要考虑换指数型或者检查转换变量是否选错。3.4 区制识别与转换变量时序图估计完不能只看系数得确认两个区制在样本里都有足够观测。工具箱一般会输出平滑概率或转移函数时序。import matplotlib.pyplot as plt # 绘制转移函数随时间的变化 G res.transition_function(s_t) fig, ax1 plt.subplots(figsize(10, 4)) ax1.plot(G.index, G, colorsteelblue, labelG(s_t)) ax1.axhline(0.5, colorgray, linestyle--, linewidth0.8) ax1.set_ylabel(转移函数值) ax1.set_title(区制转换时序) plt.tight_layout() plt.savefig(transition_plot.png, dpi150)G接近 1 的时段属于高区制接近 0 的属于低区制0.5 附近是过渡带。如果G长期贴在 0 或 1 上说明模型退化成硬切换平滑转换的设定没带来额外信息。理想情况下G应该在样本期内有几次完整的穿越且每个区制的观测数不少于总样本的 15%。4. 参数怎么调γ、c 与转换变量的实操边界4.1 γ 的尺度问题与重参数化γ 是转移函数的斜率但它的量纲依赖转换变量的量纲。如果s_t是利率取值 0 到 10γ 估计出来可能是 2如果s_t是产出缺口取值 -0.05 到 0.05γ 可能上千。这导致优化时 γ 的搜索空间极不对称梯度法基本没法用。常见做法是对转换变量做标准化让s_t的均值为 0、标准差为 1这样 γ 的合理范围收敛到 0.5 到 20 之间。工具箱如果没内置标准化自己在传入前处理s_raw data[gdp].shift(1).dropna() s_std (s_raw - s_raw.mean()) / s_raw.std()标准化后阈值 c 的含义变成「转换变量偏离均值多少个标准差时机制切换」解释起来反而更直观。注意标准化参数要保存下来后面做脉冲响应或者预测时要按同一套均值方差还原。4.2 阈值 c 的网格搜索策略非线性优化对 c 的初值也敏感。我一般先用网格搜索粗定位在转换变量的 20% 到 80% 分位数之间取 20 个点每个点固定 c 估一次 γ 和系数选残差平方和最小的那个作为正式优化的初值。import numpy as np quantiles np.linspace(0.2, 0.8, 20) ssr_list [] for q in quantiles: c_init np.quantile(s_std, q) # 固定 c只估 gamma 和系数 res_tmp model_sstvar.fit(c_fixedc_init, methodnm, maxiter2000) ssr_list.append(res_tmp.ssr) best_c np.quantile(s_std, quantiles[np.argmin(ssr_list)]) print(f网格搜索最优阈值初值: {best_c:.3f})这一步多花几分钟但能把陷入局部最优的概率降一大半。血泪经验跳过网格搜索直接优化十次里有三次收敛到边界解γ 趋近 0 或无穷结果没法用。4.3 转换变量选择的三个判断标准转换变量选错是 SSTVAR 翻车最常见的原因。三个标准帮你筛第一理论上它得能驱动机制切换比如研究货币政策传导利率或信用利差比 GDP 更合适第二它得是平稳的或者至少和因变量协整否则转移函数会漂移第三它不能是模型里某个内生变量的同期值否则联立内生性会让估计不一致用滞后一阶或外生指标。如果拿不准可以分别用两三个候选变量各估一次比较 γ 的显著性和信息准则。工具箱通常支持传入多个候选做对比没有的话手动循环即可。5. 避坑与排查SSTVAR 估计中最容易翻车的五件事5.1 现象优化不收敛报错「maximum iterations exceeded」原因通常是初值太离谱或者目标函数在该区域太平坦。γ 初值给 1 而实际最优在 15 附近时单纯形法要爬很久。解决先做 4.2 的网格搜索把 c 和 γ 的初值都粗定位一遍同时把maxiter提到 10000并换用methodpso粒子群做第一轮全局搜索再用 NM 精修。5.2 现象γ 估计出来不显著但线性 VAR 的残差明显有结构变化这说明非线性可能存在但转换变量选错了。解决换转换变量。常见替代包括因变量的滞后平方项、滚动标准差波动率、或者外部的政策指标。另一个可能是转移函数类型不对逻辑型换成指数型再试。5.3 现象脉冲响应图在区制二里发散到无穷非线性模型的 GIRF 需要对冲击大小做积分如果冲击给得太大比如 3 个标准差在高区制里系数矩阵的特征根可能大于 1响应就爆了。解决把冲击限制在 1 个标准差以内并在 GIRF 计算时检查每个历史状态下系数矩阵的稳定性。工具箱如果有check_stability选项务必打开。5.4 现象两个区制的系数矩阵几乎一样模型退化成线性原因可能是样本里转换变量没有足够的变异性或者 γ 被估得太小。解决先画转换变量的时序图确认它在样本期内有几次明显的升降如果它本身波动就小SSTVAR 不适合你的数据老老实实用线性 VAR 加虚拟变量。5.5 现象区制划分和已知的经济事件对不上比如模型把 2008 年划成低区制但理论上那应该是高波动区制。原因可能是转换变量滞后阶选得不对或者阈值 c 被估计到了样本边缘。解决检查s_t的滞后阶通常用 1 阶但有时 2 阶更符合经济决策延迟同时确认 c 不在转换变量的 5% 分位数以外否则某个区制的样本太少估计不可靠。6. 进阶技巧用 GIRF 验证非线性是否真的存在跑完 SSTVAR 最关键的验证不是看 t 统计量而是比较线性 VAR 和 SSTVAR 的广义脉冲响应。如果两条曲线在统计上没差别非线性就是摆设。具体做法对同一笔冲击分别在线性 VAR 和 SSTVAR 下算 GIRF然后对 SSTVAR 的 GIRF 做 bootstrap 置信区间看线性 VAR 的响应是否落在区间外。# 假设 res_linear 是线性 VAR 结果res_sstvar 是 SSTVAR 结果 girf_linear res_linear.girf(shock1.0, horizon20) girf_sstvar res_sstvar.girf(shock1.0, horizon20, n_boot500) # 比较同一变量在区制一和区制二的响应差异 diff girf_sstvar[high] - girf_sstvar[low] ci_low, ci_high np.percentile(girf_sstvar[boot_diff], [2.5, 97.5]) if ci_low 0 or ci_high 0: print(两个区制的脉冲响应存在显著差异非线性成立) else: print(差异不显著考虑退回线性模型)n_boot500是 bootstrap 次数正式发表建议 1000 次以上。horizon20对月度数据是 20 个月季度数据取 8 到 12。这一步跑完你对模型有没有必要上非线性就有底了。我自己的习惯是任何 SSTVAR 结果先不看系数先画三张图——转换函数时序、两个区制的 GIRF 对比、残差的自相关。三张图都干净再回头解释系数。这个顺序帮我省了很多返工。希望帮到你。本文还有配套的精品资源点击获取
