对混合模型经济预测效率的考证

本文将季节乘积ARIMA模型及混合模型方法运用于经济时间序列,运用SPSS10.0实证了两种方法建模和预测的过程和效率。从预测结果可见,本文所介绍的混合模型算法比单独使用ARIMA季节乘积模型辨识精度高,对于含有趋势性和周期性的经济时间序列辨识、预测及降低组合模型的预测误差具有一定的实用价值。     

基于乘法季节ARIMA模型的农村居民人均收入的短期预测

文章采用我国近10年的农村居民人均现金收入季度数据进行乘法季节ARIMA建模,发现ARIMA(0,1,0)×(2,1,0)4模型能够很好的拟合我国农村居民人均收入,并用该模型进行预测,预测结果表明:2014年前两季度的预测值与实际值的相对误差率非常小,说明模型拟合的效果很好;同时预测结果也发现农村居民人均现金收入呈现稳定增长的趋势,且存在明显的季节周期性.     

六种时间序列组合建模及应用

文章立足卫生支出等趋势预测问题的时间序列组合建模研究,以实证算例进行验证和比较.根据政府卫生支出时序资料,将曲线拟合法和ARIMA法纳入模型,建立线性加权组合模型(残差平方和倒数法、灰色关联法、相关系数法、待定系数法和等权法)以及残差修正模型;计算拟合序列和残差序列,讨论拟合性能.并建立修正指数曲线模型和ARIMA模型,发现拟合及预测效果不错;五种组合建模技术均优于单种方法拟合性能.曲线法、ARIMA法及其组合技术对于趋势预测问题有适用意义.     

含误差修正的ARIMA-GM叠加预测模型及其应用

本文针对具有波动和增长二重趋势的季节周期性时间序列,首先利用ARIMA(p,d,q)(P,D,Q)S乘积模型对原序列进行识别和拟合;然后对其残差子序列运用带阀值的灰色GM(1,1)改进模型进行逐期修正;最后结合二者得到基于残差子序列修正的ARIMA-GM叠加预测模型。本文利用此模型对短期日负荷进行预测,结果表明此模型具有很高的预测精度和良好的适应性,可以满足实际的预测要求。     

经济周期波动的函数型时序分解方法——基于CPI的实证分析

建立一个函数型时序分解模型,根据交叉验证方法将数据分为趋势项、周期项和随机项,因而提取出的趋势项具有较好的泛化能力;提出的基于调节粗惩系数的转折点选取法,通过优化粗惩系数较好地分割了CPI的扩张期和收缩期,可判断经济指数的转折点。另外利用傅里叶变换(FFT)提取数据主频,改进了周期型基函数,相比于传统的傅里叶基函数,新的周期基函数对周期项的拟合精度较高。通过对近十年和近两年的CPI数据进行分析,结果表明季节影响较为明显,而且最后的组合模型预测精度较高。     

季节性组合预测模型在航空旅客需求中的应用研究

航空旅客需求既有较强的增长性趋势,又有较强季节波动性的二重性特征,本文首先提出了季节性ARIMA乘积模型,但该模型更适合于较平稳的增长率和波动性.而航空旅客需求增长速度越来越快,而且波动幅度也越来越大的特征(见图1),针对这个特点建立了季节性灰色系统模型.最后,为充分体现季节性ARIMA乘积模型和季节性灰色系统模型的各自优势,将他们进行组合,提出了一种新的组合预测方法.     

时间序列分析在经济预测中的应用

社会消费品零售总额是一项重要、敏感的政府统计。定期发布的消费品零售统计资料,常常引起国内外的强烈关注,间或还会引发一些疑义和争议。文章拟通过运用EXCEL及SAS软件建立季节分解模型和季节哑变量、ARIMA模型,对我国的社会消费零售总额的情况进行预测分析,从初步确定几个不同的模型中,把拟合效果最好的模型保留,并对模型的实用性进行了探讨。     

复杂季节时间序列模型研究

季节时间序列有时不止有一个季节周期,比如以小时计的数据,24小时可以是一个季节周期,同时,一周可以是一个季节周期.为解决传统模型不能处理复杂季节问题,文章采用傅里叶级数序列作为ARIMA模型的辅助回归元,对我国2004年1月至2015年8月的铁路客运量进行拟合.结果表明,分别选择正余弦个数为1和4的2.6和12个月为周期的傅里叶级数作为辅助回归元拟合ARIMA(3,1,1)模型最优,拟合的平均绝对百分比误差(MAPE)为5.46％.在此基础上对我国2016年各月份的客运量进行了预测.     

全国货运量预测与货运结构分析

货运量是典型的非线性数据,并且存在季节特性,基于此,文章根据全国货运季节波动规律,采用季节分解的方法对货运量数据进行分解,针对分解后数据特征建立SAO-LSSVM-MA模型进行预测,以2000年1月至2019年5月、2000年1月至2020年5月的数据作为训练集,2019年6月至11月和2020年6月至11月的数据作为测试集进行预测,并通过建立VAR模型进一步分析货运方式之间的动态关系。结果显示：所建模型精度明显高于LSSVM和ARIMA模型;公路货运量对民航货运量、水路货运量、铁路货运量影响都较大,四种货运方式之间不仅存在拉动作用,还存在竞争关系。     

基于ARIMA模型的北京居民消费价格指数预测

自回归单整移动平均模型(ARIMA)是目前较为广泛应用的时间序列建模方法之一,文章以北京市1998年1月~2013年5月的CPI月度数据为样本,采用Eviews6.0软件,建立了ARIMA(12,18)模型,模型对样本内数据拟合较好,预测误差较小,用该模型对北京市2013年6月~2013年12月的CPI指数进行了预测。     

几种时间序列分析方法的比较与应用

一、几种时间序列分析方法的简单比较时间序列分析技术是通过对预测目标自身时间序列的处理,来研究其变化趋势的方法。本文把时间序列预测技术大致分成三个方面,即:"确定性时序分析法"、"随机(非确定性)性时序分析法"及"确定性加随机性时序组合模型分析法"。确定性时序分析法主要有:①移动平均法、②指数平滑法、③时间回归法和④季节周期预测法等。确定性时序分析法能够刻画序列的主要趋势,且直观、简单、     

Prophet-X-12-ARIMA组合模型及交通运输量预测

由于受到经济社会因素的影响，交通运输量数据具有趋势多变及季节性明显的复杂特征。现有的预测模型，如X-12-ARIMA模型、ARIMA模型和Prophet模型等的预测准确性有待改进。文章构建Prophet-X-12-ARIMA组合模型，综合了Prophet模型灵活拟合趋势成分的优势以及X-12-ARIMA模型能准确分解出季节成分的优点。采用该模型预测某城市的七种交通运输量序列，结果显示Prophet-X-12-ARIMA组合模型的半年度和年度预测效果明显优于Prophet模型、X-12-ARIMA模型及ARIMA模型。进一步研究发现，当原始序列趋势变化剧烈时，Prophet-X-12-ARIMA组合模型的预测效果更优。     

基于GMDH组合的中国GDP预测模型研究

文章对中国季度GDP分别建立了ARIMA和ARCH模型,并利用GMDH自组织建模方法提出了新的组合预测模型。模型预测结果及对比表明,基于GMDH组合的GDP预测模型的拟合和预测效果,在经济正常增长或出现较大波动时都具有较高的可靠性与准确性。文章还使用Bon-ferroni-Dunn检验方法进一步验证了组合模型的拟合能力要优于单一模型。     

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.     

股价预测的GM(1,1)模型

本文应用灰色系统理论,对股票价格变化建立GM(1,1)预测模型,并进行了实证分析.结果表明,把股票价格动态变化过程看作一个灰色系统,利用所建立的模型可较好地预测股票价格的短期发展变化趋势;同时通过与用ARIMA模型预测的拟合比较,表明在对股票价格作短期预测时,用GM(1,1)模型进行预测比用ARIMA模型进行预测具有更高的精确度.     

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.     

中国农业生产资料价格的波动特征研究——基于GED分布下EGARCH-M模型

运用X12-ARIMA模型、HP滤波法和基于GED分布下的EGARCH-M模型对中国农资价格波动的一些主要统计特征进行了拟合分析,结果表明:农资价格波动存在显著的季节效应;考察期间农资价格呈现出5个波动性周期,平均周期长度在48个月左右;农资价格波动还存在显著聚集性和非对称性,但其市场并没有表现出高风险高回报的特征;相较于正态分布,GED分布能更好地对模型进行估计和描述中国农资价格的波动特征。     

基于分位点回归系数聚类的时间序列分类方法

时间序列曲线分类的目的是为了找到曲线之间相似波动结构、减少建模工作量和进行预测,所以分类的结果将直接影响模型的质量和预测的精度.为此,文章提出了一种新的时序曲线分类方法-分位点回归系数聚类法.它可以有效地避免一些分类方法带来的局限性,能够更为全面、详尽地考查待分类时序数据的运行方式,改善分类的效果并为预测提供强大的支持.     

基于ARIMA模型对我国能源需求的预测

本文利用时间序列的建模方法,对我国1987-2006年的能源消费总量数据进行了实证分析,构建了ARIMA模型。经检验该模型能够很好的拟合全社会对于能源的需求趋势。在此基础上作了短期预测,最后给出了结论及建议。     

基于灰色-马尔可夫模型的房地产周期研究

文章针对我国房地产周期研究中存在的内在机理复杂、数据信息不足等问题,提出了利用灰色-马尔可夫模型进行房地产周期分析和预测的想法,即利用GM(1,1)模型估计长期趋势成分,利用马尔可夫链预测模型估计周期性波动成分,通过两者的结合完成对房地产周期的拟合和预测.实证表明,该模型能够成为当前我国房地产周期研究的一项有效工具.