基于神经网络灰色Verhulst算法的CPI预测模型

为了提高居民消费价格指数的预测精度,对于呈近似S形的CPI时间序列,利用灰色Verhulst模型对其预测.构造基于时间序列的人工神经网络输入输出模式,利用BP神经网络对原始数据与灰色verhulst预测值的残差进行训练.仿真实例表明,该组合算法预测结果比单纯使用GM(1,1)模型、灰色Verhulst模型和文献[1]的总体误差要小,将神经网络引入到灰色Verhudst模型中能较好地提高预测精度.     

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.     

关于CPI和PPI关系的VEC模型分析

居民消费价格指数(CPI)和生产者价格指数(PPI)是反映整体价格水平波动的两个重要指标.文章利用2001年1月至2014年7月我国CPI、PPI的月度数据,在协整检验的基础上,运用时间序列分析中的向量误差修正(VEC)模型对它们的关系进行了研究,从而把两个价格指数之间短期波动和长期均衡的特征联系起来.     

基于ARIMA模型与GM(1,1)模型的居民消费价格指数预测对比分析

居民消费价格指数反映一定时期内我国城乡居民所购买的生活消费品和服务项目价格变动趋势和程度的相对数,是宏观经济分析与决策、价格总水平监测与调控的重要指标,同时也是反映通货膨胀的重要指标.文章运用历史数据,结合数学模型对CPI进行了科学合理的预测.在此基础上运用ARIMA模型和GM(1,1)模型对居民消费价格指数进行了预测的对比分析.     

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。     

我国CPI时间序列预测模型的比较及实证检验

文章运用时间序列的几个不同模型,对我国居民消费价格指数(CPI)的变化规律进行了比较研究;通过对我国2001年1月至2007年8月共80个月份的CPI值进行实证分析,建立了一个反映CPI变化规律的较优统计预测模型,该模型的相对误差控制在1%之内,得到较好的结果;最后,利用该模型对2007年9月至2008年8月的CPI变化趋势进行了预测。     

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。     

居民消费价格指数的时间序列分析及预测

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,通过这种惯性分析可以由时间序列的历史数值对未来值进行预测.文章主要利用时间序列的趋势外推方法对我国目前居民消费价格指数(CPI)进行了建模析和预测,以达到合理预期和分析的目的.     

基于小波变系数模型的CPI权重估计

居民消费价格指数（CPI）是反映宏观经济运行的重要指标之一,因此其编制中所采用权重的取值和调整特征一直是各界所关心的问题,但目前中国CPI编制中所采用的权重大小一直没有权威机构的正式公布。根据2000—2010年间的CPI数据,采用基于小波的变系数模型对权重进行了估计。估计结果揭示了中国近10年中CPI权重的动态变化特征,这种变化特征也反映了近10年中居民消费结构的动态调整。     

中国制造业PMI与CPI的相关性分析

文章选取了2005年1月至2015年4月的中国制造业采购经理指数(PMI)与居民消费价格指数(CPI)的数据进行相关性分析,并对两个时间序列构建向量自回归模型,进而通过Granger因果检验、脉冲响应函数分析、方差分解分析说明了中国制造业PMI与CPI之间的定性定量关系,得出PMI与CPI互为Granger因果关系,PMI与CPI之间存在相互作用关系,且PMI对CPI具有较长时间和较大程度的正向影响.     

居民消费价格指数的GM(1,1)模型预测

影响居民消费价格指数(CPI)的因素很多,难以通过回归模型来预测其未来走势.在一个较长的时间序列内,CPI变化具有较强的规律性,这满足使用GM(1,1)建模并用于预测的基本要求.文章通过创建CPI的GM(1,1)模型,并对该模型可用性进行了验证;在验证通过的情况下进行了CPI的模拟及预测.事实证明,使用GM(1,1)模型来预测CPI未来的走势,且具有较高的预测精度.     

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.     

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。     

居民消费价格指数的非对称性波动分析及短期预测

居民消费价格指数(CPI)在一定程度上反映了通货膨胀抑或紧缩的程度,受到社会普遍关注.文章基于我国1990年1月～2011年6月的月度数据进行探索性建模分析,通过模型比较发现对D_CPI序列建立AR(2)-ACGARCH(1,1)组合模型最合理,该模型很好的刻画了CPI的非对称性波动特征.研究结果表明D_CPI具有明显的群集效应和逆杠杆效应,即正的外部冲击对价格水平的影响大于负的外部冲击；另外短期预测结果显示2011年第三季度我国CPI月同比增长都将超过6％,预测效果比较理想,较为符合实际情形.     

居民消费价格指数的季节调整及短期预测

文章首先论述了季节调整方法的发展过程;然后把居民消费价格指数的同比数据转换为定基比数据.运用国际上最新流行的X-12-ARIMA程序对我国居民消费价格指数时间序列进行季节调整:再运用TRAMO/SEATS方法剔除中国特有的春节假日因素;最后对CPI进行短期预测,得出了我国的通货膨胀可能还会持续一段时间的结论.     

基于VAR模型视角下的我国通货膨胀研究

2010年下半年我国CPI涨幅基本都在3%的通胀警戒线以上,全年CPI同比上涨3.3%,和居民生活密切相关的食品、农副产品价格的上扬也给物价上涨带来更多压力。针对目前国内较明显的通胀压力,文章基于2006年1月至2010年12月的数据,通过构建向量自回归(VAR)模型、向量误差修正模型(VEC)并利用脉冲响应函数和方差分解等计量经济学方法,考察和分析我国居民消费价格指数的变动及其决定机制。实证结果表明,我国CPI变动与其影响因素(广义货币供应量、工业品出厂价格指数和固定资产投资)间存在长期均衡关系和短期调整机制,并提出缓解当前通胀压力的相关对策建议。     

内蒙古自治区人口总量的时间序列拟合与预测

以1950-2007年内蒙古自治区人口总量数据为依据,利用ARIMA（1,1,1）与GM（1,1）模型分别对内蒙古人口总量的时间序列进行了拟合、分析与预测。分析结果表明：两种模型的拟合程度都比较高,但灰色模型的拟合度更高。因此用GM（1,1）模型对内蒙古自治区2010-2012年的人口总量进行了预测。     

基于ARIMA模型的消费者价格指数预测

科学准确地预测CPI将为宏观经济政策的制定提供合理的数据支持.文章根据我国2010年1月至2015年6月CPI月度数据建立ARIMA模型,对2015年下半年我国的CPI数据进行预测.实证结果表明:ARIMA(12,1,2)模型的预测效果良好,可以作为我国CPI走势判断的有效依据.     

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。     

我国居民消费价格指数的短期预测

居民消费价格指数是宏观经济分析和决策,价格总水平监测和调控以及国民经济核算的重要指标.本文介绍了它的概念以及在我国物价体系中的重要作用,并根据1951年到2002年52年我国居民消费价格指数的统计资料,运用Eviews4.1软件和时间序列模型,对我国的居民消费价格指数进行预测和分析,提出几点看法和建议.