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.     

线性回归模型与传递函数模型在时间序列应用上的比较研究

如果一个因变量是由一个或多个自变量来解释的,那么对这些数据可以建立回归模型.但如果因变量和自变量同时又是时间序列,则也可以建立传递函数模型(transferfunction models).与普通的回归模型相比,传递函数模型说明因变量与自变量以及扰动项之间关系时,有着更为丰富的结构.在多变量时间序列模型方面,有关线性回归模型与传递函数序列在时间序列方面应用效果的比较很少,因此,本文拟进行这方面的研究,为多变量时间序列建立模型提供参考.     

互联网企业广告收入预测研究——基于低频数据的神经网络和时间序列组合模型

神经网络模型对大样本时间序列的拟合效果优于传统时间序列模型,但对于年度、月度、日度等低频时间序列的预测则难以发挥其优势。鉴于此,本文应用传统时间序列模型和神经网络模型,建立Holtwinters-BP组合模型,利用Holtwinters模型分别拟合各解释变量序列,利用BP模型拟合解释变量和自变量的非线性关系,基于某社交新闻类APP的日广告收入数据进行互联网企业广告收入预测研究。通过与循环神经网络(RNN)模型、长短期记忆神经网络(LSTM)模型等预测结果的对比发现:Holtwinters-BP组合模型的预测精度和稳定性更高;证明多维变量对于广告收入的显著影响,多变量模型的预测准确性高于单变量模型;构建的Holtwinters-BP组合模型对于低频数据预测有较好的有效性和适用性。     

多元平稳时间序列ARIMAX模型的应用

本文介绍多元平稳时间序列ARIMAX模型的建立方法,并将ARIMAX模型应用于我国第三产业产值、固定资产投资和GDP数据的分析与预测,得到较为满意的结果。     

中国股票市场收益与波动的长期记忆性研究

文章对我国股票市场的长期记忆特征进行了系统研究:选择上证综指和深证成指日收益序列为研究对象,采用计量经济学方法,考察中国股票市场日收益序列和日收益波动序列的长期记忆特征,建立既能描述收益长记忆又能刻画波动长记忆特征的ARFIMA-FIGARCH模型,并与其它短记忆模型进行对比,分析得出相应结论.然后针对目前我国股票市场存在的诸多问题,提出一些规范和完善股票市场、提高市场有效性的建议.     

上证指数收益率的ARCH族模型的实证分析

文章利用ARCH族模型,选取2005～2009年的上证综指日收益率作为对象对我国沪市波动情况进行了实证研究.研究结果表明,我国沪市日收益率序列具有明显的聚集性、波动性、尖峰厚尾的特征,ARCH族模型较好的拟合了上证指数收益率序列.     

ARIMA与指数平滑法在我国人口预测中的比较研究

文章建立了基于人口时间序列资料的ARIMA和指数平滑法人口预测模型,并将二者进行比较,得出最优模型为ARIMA(2,2,1)模型;用此模型对我国2006～2015年人口数作出了估计.结果表明,ARIMA模型更适合我国人口时间序列数据的拟合;我国总人口在未来十年内仍会增长,但增长速度渐趋缓慢,到2010年末,我国人口将达到13.39亿.     

组合模型对统计数据准确性检验的适用性研究

文章以GDP数据的准确性为例,根据Cramer分解定理的基本理论对我国GDP数据时间序列建立了确定性趋势模型,对模型得到的平稳残差序列拟合ARMA模型;将两种模型组合起来对我国GDP数据进行预测,用预测值代表"真值",考察了预测值与观察值之间的差异;用异常值检验法对2001～2007年我国GDP数据的准确性进行了检验和分析,证明了组合预测模型在统计数据准确性检验中的适用性总体上不强,并提出了模型改进应用的思路.     

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.     

ARMA模型的频谱分析检验法

文章将窗谱估计的技术应用于时间序列模型的检验,以解决模型构建的正确性和参数估计的准确性。通过实例验证比较的方法进行研究,对同一时间序列模型分别利用混合的拟合不足检验与本文所提的频谱分析模型检验法对其进行检验,结果显示,即使模型在5%的置信水平下通过了Q统计量检验,但模型的设定仍然有可能存在错误,无法通过频谱分析模型检验。表明频谱分析模型检验法相对于时间序列模型构建中广泛使用的Q统计量检验法,在时间序列模型设定的正确性检验方面具有更强的模型检验能力。     

宏观经济极端景气变动的监测预警——基于动态阈值模型

动态阈值模型能够随序列的趋势变化而不断修正阈值,文章利用这一方法对我国经济景气进行监测预警。首先,选择景气指标构建景气指数以反映实际经济的波动态势;然后利用分整方法将景气指数转换为平稳序列,并通过POT模型确定阈值;最后得到景气指数的动态阈值。计算结果表明,动态阈值模型能够捕捉到我国经济的极端景气变化,准确地判断景气所处的运行区间,该模型适用于新时代下我国经济运行的监测预警。     

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。     

引入持仓量的沪铜指数长记忆波动性研究

通过协整关系检验、误差修正模型、向量自回归模型、格兰杰因果关系检验、脉冲响应函数证明了在建立模型时引入持仓量序列的必要性。运用修正R/S分析,建立了沪铜指数收益率波动的ARFIMA、FI-GARCH、ARFIMA-FIGARCH模型,并运用此种模型对沪铜指数的收益率序列rt、收益率波动序列｜rt｜及残差序列｜εt｜进行相关研究和分析,结果表明：ARFIMA（0,d1,0）-FIGARCH（1,d2,1）模型的预测效果比较好。     

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。     

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。     

基于干预模型与BP神经网络集成的GDP预测

文章将干预模型与BP神经网络模型相结合,提出了基于干预模型与BP神经网络集成的GDP时间序列预测模型,并实现了算法。利用我国1978~2004年的GDP数据建立多干预变量集成预测模型,对我国2005~2009年的GDP数据进行预测,并将预测值与其他文献所建模型的预测值进行比较,预测误差明显减少,证实了所建立模型处理外部事件(如宏观经济因素、政治因素等)的有效性。     

基于改进均衡模型的我国对外贸易和环境污染的实证分析

文章建立一个对我国的环境质量产生影响的均衡模型,通过时间序列分析方法对于我国的生态环境和国际贸易之间的关系开展实证检验,并最终得出相应的实证结果.对外贸易与我国环境质量存在一定的长期相关性,该结论对我国的环境政策具有一定的指导意义.     

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。     

上证基金市场日涨跌幅的波动性实证研究

金融市场的波动性是投资者关注的对象之一,也是现在金融研究的热点之一.文章检验了我国上证基金市场的ARCH效应和序列相关性,并且在此基础上主要应用TARCH和EGARCH等模型对基金指数日涨跌幅序列进行建模,结果表明该模型能有效拟合上证基金市场日涨跌幅的日波动性特征.     

沪市收益率波动聚集性实证研究

金融市场的波动性不仅是投资者关注的焦点之一,而且也是被研究的热点之一。本文首先检验了上海证券市场的ARCH效应和序列相关性,在此基础上,将ARMA—GARCH模型应用于上证综指,结果显示该模型能有效拟合股市的波动性,最后,针对结果分析了我国股市的行为。