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.     

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.     

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.     

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。     

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。     

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.     

基于ARIMA模型的中国煤炭消费量增长预测

我国煤炭消费量序列是一组依赖于时间变化的随机变量,可用ARIMA模型予以近似描述。文章运用1965～2006年我国煤炭消费数据建立了ARIMA(2,1,4)模型,经诊断检验与实证检验发现,预测精度较高,可用于我国煤炭消费量预测。预测结果表明:2007～2010年我国煤炭消费量将不断增长,但增速会有所回落。科学的煤炭消费量预测结果可为国家合理规划煤炭生产和进出口提供重要依据。     

中国能源消费的ARIMA模型预测分析

文章利用Box-Jenkins法的ARIMA模型,对1953～2007年中国能源消费总值数据序列进行分析,建立了1953～2005中国能源消费的自回归移动平均模型ARIMA(3,1,3).检验结果表明,ARIMA(3,1,3)模型对原始数据序列有着较好的似合效果,模型的预测效果良好,可用于短期内中国能源消费量的预测.根据建立的模型预测结果,中国能源消费量仍将保持较高的增长.     

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.     

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.     

时间序列分析的一个重要问题及其解决方法

文章考虑非平稳时间序列的一种特殊情形:d-1次差分不平稳,但d次差分是白噪声。推导出这样的序列是一个适宜的非平稳AR(d)模型。得到的结论是:对方差齐性的时间序列,总可以建立模型ARIMA(p,d,q)。文章以中国历年年末人口序列(1970~2009年)为例,建立了一个非平稳的AR(2)模型,并对此模型进行样本容量为10000次的Monte Carlo模拟,表明模型是稳定的。     

基于传递函数模型的我国社会消费品零售总额预测

文章研究我国国民收入与社会消费之间的动态影响机制。通过对我国1978~2008年的国民总收入和社会消费品零售总额数据序列进行分析,建立了传递函数模型,结果显示该模型比单变量的ARIMA时间序列模型具有更好的拟合与预测效果,可以为我国宏观经济发展的监管与决策提供参考。     

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.     

股票价格预测的最优选择模型

文章首先介绍了我国学者对股票价格指数的研究现状,并阐述了时间序列分析中两种常见的模型:自回归移动平均(ARIMA)模型和条件异方差(ARCH)模型。然后分别对上证指数近八年的346个有效收益数据进行建模,并对未来三个月的收盘价进行预测。结果表明,ARCH模型的整体预测效果优于ARIMA模型。     

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.     

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.     

基于时间序列ARIMA与BP神经网络的组合预测模型

文章将时间序列ARIMA模型和BP神经网络算法相结合,设计一种组合预测模型,并将其应用于实际预测中,通过实际预测检验了组合预测模型在实际预测中的有效性.研究发现,组合预测模型在预测精度方面总体上优于这两个单项预测模型,因此这种组合预测模型具有良好的预测效能.     

中国铁矿石消费量与对外依存度预测

文章基于ARIMA模型对非平稳时间序列良好的短期预测特性,采用该方法对“十三五”期间中国铁矿石消费量与对外依存度进行了模型构建和预测分析,所建模型的拟合效果和预测精度较佳.预测结果表明,“十三五”期间中国铁矿石消费量将趋向于缓慢上升至零增长率的顶点,对外依存度则将在经过高位平台后拐入下降趋势.     

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.