中国人均GDP(1952-2002)时间序列分析

时间序列是按照时间顺序取得的一系列数据.大多数的经济时间序列存在惯性,或者说是迟缓性,通过对这种惯性的分析可以由时间序列的当前值和过去值对未来值进行预测.分析时间序列的方法有很多,本文主要讨论用伯克斯-詹金斯(Box-Jenkins)模型对中国人均国内生产总值时间序列进行建模和短期预测.     

基于SARIMA模型的我国入境旅游人数时间序列分析

一、关于本文时间序列模型的说明 　　时间序列是一种是按照时间顺序取得的一组数据,大多数的时间序列存在惯性,通过对这种惯性的分析就可以由现在值和过去值对未来值进行预测.时间序列分析是一种根据动态数据揭示系统动态结构和规律的统计方法,其基本思想是根据随机的时间序列建立能够比较精确的反映时间序列中所包含的动态依存关系的数学模型,并借以对未来进行预测.……     

基于SARIMA模型的我国季度GDP时间序列分析与预测

文章主要研究季节时间序列模型在我国季度GDp时间序列预测中的应用,并分析探讨模型的准确性和实用性.文章分析了我国1992～2008年的季度GDP时间序列,剔除时间趋势和季节性后使原序列平稳并建立季节时间序列模型.通过对不同模型进行参数估计和比较后发现:ARIMA(2,1,1)(1,1,1)4能很好地拟合我国季度GDP时间序列,用该模型进行预测得出了2009年四个季度和2010年前两个季度的GDP数值,分析发现季度GDP仍然呈增长趋势,但其速度放缓.预测结果的准确性较高,并具有一定现实意义.     

基于混合时间序列模型的粮食产量预测

粮食产量的预测是保障粮食安全的重要组成部分.文章结合河南省许昌市粮食产量的历史数据,首先建立趋势外推预测模型,并对模型进行相应的分析;然后运用趋势外推与ARIMA模型(求和自回归移动平均模型)结合起来的混合时间序列模型对趋势值和真实值之间的离差序列即残差进行分析,得到混合时间序列模型的预测结果;最后通过比较得出的混合时间序列模型预测的精度较高,可作为粮食总产量预测的有效工具之一.     

SARS疫情对深证成指影响的时间序列模型

时间序列是一组按时间顺序排列数据序列,经常用x1,x2,……,xm,……表示.在经济分析中,许多历史统计数据都可建立时间序列模型,并可借助相应模型进行外推以预测未来,亦即时间序列预测.本文利用SAS系统下时间序列(ETS)模块建立带有自相关校正的回归模型和带有干预序列的ARIMA模型,计算、分析SARS疫情对我国深证成指走势的影响.     

天然气产量季节预测模型的比较与选择

随着气田企业规模的扩大和竞争的加剧,需要建立一套完整的短期天然气产量预测方法及模型,以预测未来的产量发展趋势,故提出三种基于时间序列预测模型:布朗指数平滑法(Smooth)、季节系数法时间序列的预测、用于时间序列的灰色系统预测方法.但是普通时间序列预测模型的参数难以估计并且模型较难预测具有季节特征的时间序列问题,根据天然气产量的季节性、周期性特点,实验结果表明:季节系数法时间序列的预测能够对带有季节特征的历史数据进行有效预测,对进行气田企业的安全生产都具有一定的理论和实践价值.     

卡尔曼滤波在高频金融时间序列模型预测中的应用

时间序列模型在预测中占有重要的地位,其固有的系统误差性往往对预测精度产生负面影响.文章以沪深300指数为研究对象,通过时间序列模型得到预测方程,并以此为基础推导出卡尔曼滤波的状态方程和测量方程,利用卡尔曼方程对预测结果进行修正.结果表明,卡尔曼滤波对时间序列模型的预测有优化作用,可以提高预测的精确度.     

基于ARIMA的多元时间序列神经网络预测模型研究

文章基于ARIMA模型具备准确提取时间序列当前值、过去值及误差值之间回归关系的能力,人工神经网络具备对各种变量的感知能力强,非线性逼近、自适应、自学习性等特性,构建了一种多元时间序列预测模型,并进行了理论探讨和实证.该模型能较准确模拟和预测时间序列的变化规律,可较好满足时复杂时间序列的分析预测需求.     

基于季节性ARIMA模型的居民消费水平预测

文章以居民消费价格指数(CPI)的短期预测作为切入点,采用定量的时间序列分析方法,建立季节自回归综合移动平均(季节性ARIMA模型)模型对CPI时间序列进行量化分析.首先阐述基于该模型的CPI预测的一般过程,即:平稳化处理、差分变换的阶数辨识、参数估计,时间序列模型的构建,然后对模型进行性能检验,确定较适合的季节自回归综合移动平均模型,最后在实证分析中探讨经济变量CPI与时间变量之间的变动规律,对CPI时间序列进行适当的差分处理,取得了较为理想的预测效果.     

居民消费价格指数的时间序列分解预测法

居民消费价格指数是反映通货膨胀程度的重要指标,也是宏观经济分析和决策,价格总水平监控以及宏观经济核算的重要指标.文章采用时间序列分解的方法,预测居民消费价格指数的变动.该方法在预测的同时还能对时间序列进行分解分析,得到居民消费价格指数的基本走势信息.     

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.     

基于模糊时间序列对我国对外贸易中的进口水平的预测

文章基于模糊时间序列对我国对我国对外贸易中的进口水平进行了预测分析,结果认为:在模糊时间序列分析中,用隶属度加权平均法比最大隶属度法的预测结果更为准确,表明常用的最大隶属度法在进口额即期增量的预测上未必适用.     

中国棉花产量的时间序列预测模型

时间序列分析预测的首要任务是辨识影响时间序列的项目因素,这个辨识过程称为分解。每个项目的辨识都独立进行。完成分解后的各项目再度组合,由此途径来分析预测时间序列的未来值时间序列分析预测的主要任务就是对时间序列的观察样本建立尽可能合适的分析预测模型。     

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.     

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.     

金融时间序列混合智能预测模型及实证研究

文章针对金融时间序列变化复杂、难以用单一智能方法进行有效预测的问题,提出了一种新的基于经验模式分解、支持向量回归和粒子群优化的混合智能预测模型.经验模式分解能将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个基本模式分量,根据这些分量各自趋势变化的剧烈程度选择不同的核函数进行支持向量回归预测,最后通过粒子群优化算法对各预测分量进行加权组合,得到原始序列的准确预测值.证券市场实证研究表明该模型可以准确预测金融时间序列.     

基于HP分离ARIMA—Markov模型的我国生猪存栏量预测

时间序列分析方法的运用呈现出多样性和组合型的特点.针对于当前时间序列模型运用存在的分割性不足,在对时间序列分离后独立序列的特性出发,认为应当对独立分离序列分别建立适合波动规律的预测模型.文章首先采取HP滤波对生猪存栏量进行分离,然后采用ARIMA模型和Markov转移模型分别对趋势序列和随机序列进行预测并加总,最后采用原始序列的ARIMA处理结果与组合模型进行对比,发现了组合模型要优于传统ARIMA.     

基于小波分解自回归模型的CPI预测

文章利用小波分析与自回归模型相结合的方法来建模分析时间序列,这种方法主要是在尺度函数逼近和自回归模型的基础上建立的。小波分析提供了一种多尺度函数逼近的方法,而自回归模型能够预测时间序列。文章的对CPI序列进行了离散小波分解,并重构得到了尺度序列和每层的细节序列;然后分别对其建立自回归模型并预测每个序列的下一个值,将得到的预测值相加得到了CPI预测值,再用预测值,利用建立的模型进行预测;最后,用标准差来衡量估计量的好坏。     

一种非常规因素分析的农业产出预测方法

预测与决策理论旨在从时间序列规律本身出发,摈弃因果分析规律,根据连续时间序列逐步调整计算权重.文章基于这一思想,提出了一种非常规因素分析的农业产出预测方法.     

对我厂“190”产品销售情况的预测

“190”产品是我厂近年开发的天然气发电机组新产品,已开始小批量生产,其销售前景如何,关系到该产品的发展,因此,本文采用时间序列分析方法建立销售预测模型,对1990-1992年该产品的销售情况进行预测分析.时间序列分析预测法,一般要求选择10个以上连续数据,才能进行比较准确的预测.下面是根据“190”产品11年来的实际销售量绘制的销售趋势