ARMA模型在我国体育股票价格预测中的应用

中体产业股票作为我国唯一的体育类股票,为了准确把握其波动状况,科学预测未来发展趋势,收集了2002年1月1日至2010年6月30日中体产业股份有限公司股票的1510个日收盘价格指数为研究样本,进行了时间序列分析,建立了中体产业股票的自回归移动平均模型(即ARMA模型)。结果显示:模型ARMA(3,1)能较为准确地预测中体产业股票每日数据,模型的预测值与实际观测值非常接近,说明时间序列模型在中体产业股票状况预测中具有较好的应用价值。     

我国月度居民消费价格指数的预测方法与应用

文章用时间序列的BP神经网络和ARMA模型的方法对我国2005年1月～2011年5月的月度CPI进行了模型分析并检验了预测效果。对比分析表明,利用月度CPI时间序列的BP神经网络方法相比ARMA模型有更好的预测精度。     

股指期货预测模型构建及其应用效果分析

文章选择股指期货价格以及基差预测这一理论界和实务界共同关心的问题为研究对象,使用香港恒生期货数据为样本,分别采用时间序列ARIMA、ARMA模型对恒生期货连续指数的日收盘价对数序列LHF和基差序列BASIS进行建模分析,并利用预测误差检验量对模型样本外的预测效果进行了实证研究.结果表明,ARIMA(3,1,3)模型很好地拟合和预测了股指期货指数对数LHF序列的走势,达到了预测目的;ARMA(1,1)和ARMA(3,3)模型在预测精度方面不甚理想但基本刻画了基差序列的变动趋势.     

中国银行间同业拆借市场利率波动模型研究

利用中国银行间同业拆借市场1996年12月29日至2008年5月30日全部拆借品种每周加权平均利率，对正态分布、t分布和GED分布下的GARCH模型族进行对比分析，构建出衡量利率波动的ARMA—GARCH模型。结果显示中国银行间同业拆借利率（CHIBOR）序列杠杆效应不明确；拆借利率分布对模型拟和结果影响较大。t分布不适合描述中国银行间利率序列的分布状况。GED分布能更好刻画同业拆借利率序列的分布状况，并且在GED分布下，EGARCH模型较GARCH和TARCH模型更适合描述中国银行间同业拆借利率序列。     

趋势-季节回归与ARMA混合模型在季度GDP预测中的应用

我国季度GDP时间序列具有趋势、季节性和周期性特征,文章运用趋势-季节回归和ARMA的混合模型,捕捉其动态变化,对近期季度GDP做出较为准确的预测。     

支持向量回归特征提取的ARMA准则——中国社会消费品零售总额预测的实证研究

根据统计学习理论,针对局部灰色支持向量回归方法,提出了单变量经济时间序列预测特征提取的ARMA准则.对中国社会消费品零售总额的试验结果表明:ARMA准则能客观准确地实现特征提取,获得较高的预测精度.     

ARMA模型在期货价格预测中的应用

一、模型的数理基础 (一)ARMA模型概述 ARMA(Auto Regressive Moving Average)模型是一类常用的时间序列模型，由博克斯(Box)和詹金斯(Jenkins)创立，亦称B—J方法。它是一种精确度较高的时序短期预测方法，其基本思想是：某些时间序列是依赖于时间t的一族随机变量，构成该时序的单个时序值虽然具有不确定性，但整个时序的变化却有一定的规律性，可以用相应的数需模型近似描述。通过对该数学模型的分析研究，能够更本质地认识时间序列的结构与特征，达到最小方差意义下的最优预测。     

我国GDP时间序列的模型建立与预测

本文利用统计软件对我国1952年到2005年的实际GDP时间序列数据进行了分析,分别建立了ARMA模型和Holter-Winter非季节短期预测模型,并对2006年到2010年的全国GDP进行了预测。结果表明两个模型都有很好的预测效果。     

人均GDP与各产业之间的时间序列分析

文章收集了1980—2010年我国第一产业增加值、第二产业增加值、第三产业增加值和人均GDP的时间序列数据，利用最小二乘法以及统计软件Eviews进行时间序列建模。实证分析结果显示：（1）模型整体效果很好；（2）随机误差显著地存在异方差；（3）随机误差项存在正的一阶正相关；（4）存在滞后一期的自回归模型。     

中国猪肉价格的短期预测模型

文章利用2009年4~5月猪肉价格日度数据进行实证分析表明:中国猪肉价格序列为一带截距AR MA(1,0)过程。通过设置时间虚拟变量进行检验,结果显示:甲型H1N1流感并不是引发中国猪肉价格下降的主要原因。利用本文构建的ARMA模型对中国猪肉价格进行短期预测,效果显著。     

2005年中国税收收入预测模型比较

为探索一种较为有效的工具来提高税收收入预测精度，利用1985-2004年的样本数据，建立了五个模型来预测中国2005年的税收收入。结果表明：ARMA（1，1）模型中，以GDP为外生变量的自回归模型、以政策因素为虚拟外生变量的自回归模型以及对数线性移动平均模型都是预测税收收入的有效模型，但以GDP为外生变量的自回归模型在预测2005年税收收入时，预测值与实际值的预测偏差仅有1．23％，此模型在预测税收收入时预测精度最高，是预测税收收入的一种较为有效的工具。     

动态因子模型与ARMA模型的比较

在时间序列模型中,随着变量数目的增加,所要估计的参数的数量也随之加大,结果在应用中模型中通常不得不选取尽量少的变量。动态因子模型独特的优势在于,它不必考虑自由度损失问题,也不必对经济结构施加约束。文章根据中国宏观经济变量数据库中的41个变量,建立了动态因子模型预测GDP,并与ARMA模型的预测结果进行了对比。结果显示,动态因子模型的预测效果优于ARMA模型。     

基于ARIMA模型的城市网格化管理预测与仿真

文章对城市网格化管理问题进行了研究,基于网格化问题数据的时间序列特征的归总,利用了标准化时间序列模型ARMA族进行分析,并以AR,MA模型为比较基础,进而对选定的ARIMA模型预测结果进行精度比较测试.研究发现,时间序列模型对城市网格化管理问题的预测精度较高,而网格化管理本身对于城市建设与管理和城市决策的资源整合具有相当重要的意义.     

基于模糊Box-Jenkins方法的电价建模与短期预测

由于单一的AR、MA和ARMA模型不能很好地匹配复杂的电价时间序列数据,因此传统的Box-Jenkins方法不能很好地进行电价预测。文章提出了基于模糊Box-Jenkins的电价建模和短期预测方法。引入模糊策略,生成分别对应Box-Jenkins方法中的AR,MA,ARMA三个模型的模糊因子,再通过模糊因子对三个模型进行模糊综合。对浙江省电力市场电价数据的仿真表明,在电价序列不能较好地匹配Box-Jenkins方法中各模型的情况下,模糊Box-Jenkins方法能取得更好的预测效果。     

中国国防费时间序列预测模型的建立

时间序列模型(ARMA)是一种精度较高的短期预测模型.本文综合运用B-J时间序列建模方法,对中国国防费时间序列平稳性进行了判别;利用单位根方法检验了时间序列的单整阶数;利用自相关函数和偏自相关函数判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q));最后利用Eviews统计软件建立了合适的中国国防费时间序列模型,并进行了分析和预测.     

对2005年GDP季度数据的预测--基于包含趋势和季节成分的ARMA模型的分析

一、包含趋势和季节成分的ARMA模型 在经济领域里,根据一个经济变量的时间序列数据来建立经济计量模型并以此模型对该变量的未来趋势进行预测已经得到了广泛的应用,其中比较成熟的建模技术有:趋势建模、季节性建模、周期建模(ARMA模型)以及它们的混合建模.     

ARIMA模型在基金指数预测中的应用

本文采用自回归移动平均模型(ARIMA),选取上证基金指数2005年6月1日至2006年5月31日共238个交易日的数据进行了实证分析,结果显示,与传统时间序列方法相比ARIAM(2,1,5)模型对上证基金指数具有更好的预测效果,可为投资者的决策提供较准确的依据。     

消费者价格指数的分析与预测

文章收集了2002～2007年消费者价格指数的月数据,运用统计学和计量经济学原理,从时间序列的定义出发建立ARMA模型,利用统计软件sas对模型进行检验,再利用所建立的模型预测2008年的cpi,为政府进行宏观调控,控制物价过快增长提供数量化的建议.     

CPI预测的SVM-ARIMA模型构建与数值模拟

居民消费价格指数（CPI）是宏观经济中的前瞻性指标,为经济政策的制定提供数据支撑,发挥指导作用。文章利用CPI的月度数据构建基于小波分解的SVM-ARIMA组合模型,实现了对CPI的精准预测。首先,对2000—2019年的居民消费价格指数序列进行小波分解;然后,对分解后的居民消费价格指数序列分别利用ARIMA模型和SVM模型进行预测;最后,将预测结果进行整合形成对居民消费价格指数的组合预测模型,并选用2020年的实际CPI月度数据与模型预测数据进行有效性验证。结果表明：组合模型的平均绝对百分比误差（MAPE）与均方根误差（RMSE）分别为0.5383%和0.6604%,相较于ARIMA时间序列模型和SVM模型实现了极大的改进。此外,该组合模型的预测分析框架具有较强的适应性和扩展性,可用于其他相同特征类型的时间序列数据的模拟预测。     

基于NARX神经网络与ARMA的汇率混合预测模型

汇率时间序列是一个动态复杂系统,单独的线性回归模型或者非线性神经网络都不能很好地反映系统的特征.文章将汇率时间序列分解成线性序列和非线性序列两部分,并分别用ARMA和NARX神经网络进行建模;最后组合成NARX-ARMA汇率混合预测模型.结果证明,相比其他汇率预测模型,NARX-ARMA混合模型有更好的预测效果.