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.     

基于ARIMA模型的中国CPI走势预测分析

消费者物价指数(CPI)是以与居民生活有关的产品及劳务价格统计出来的物价变动指标。文章选择中国2001年1月至2011年10月最新的月度CPI数据作为研究对象,构建了自回归求积移动平均ARIMA(12,1,20)模型,在模型拟合效果优良的基础上,成功对未来CPI走势进行了预测,为宏观层面有效实施物价调控政策提供了数量上的依据。     

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。     

基于最优ARIMA模型的我国GDP增长预测

准确预测GDP对政府进行有效宏观调控意义重大,而ARIMA模型是预测GDP的有效工具.文章以1952-2011年不变价格GDP为研究样本,首先建立36组ARIMA模型,进而运用多重筛选准则,找到最优滞后阶数p和q,最后确定了最优ARIMA(6,1,3)模型.该模型通过了多项假设检验,对2009-2011年的GDP预测精度高.笔者还利用模型对未来几年的GDP进行了预测.     

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.     

基于GM(1,1)模型的CPI经济预测

文章利用我国2010年9月~2011年3月的CPI月度指数,采用GM(1,1)模型建立CPI预测模型,并进行模型检验,采用该模型对未来几个月的CPI走势进行预测,结果表明模型有效。     

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.     

基于自回归移动平均及支持向量机的中国棉花价格预测

文章通过对2008年至2011年间月度棉花价格数据进行分析,建立了基于自回归移动平均的棉花价格ARIMA(1,1,1)模型,结果显示,ARIMA(1,1,1)模型能够很好的模拟国内棉花价格,平均相对误差百分比低于4％,在ARIMA模型的基础上,对该模型残差建立支持向量机模型,将自回归移动平均模型与SVM模型组合对棉花价格进行了预测,比较预测结果,组合预测模型对自回归移动平均模型有一定改进.     

基于季节调整的CPI统计环比指数研究

本文首先阐述了季节调整与统计环比指数的必要性,简要介绍了X-12-ARIMA与TRAMO/SEATS季节调整原理,然后运用X-12-ARIMA程序对中国1997年1月至2010年5月CPI月度数据进行季节调整,再运用TRAMO/SEATS方法解决季节调整程序中中国春节因素问题。接着由季节调整后的数据计算得到月环比CPI,对月环比CPI和同比增加率进行了比较,结果显示月环比CPI领先同比CPI。最后利用TRAMO/SEATS程序建立ARIMA模型（210）（011）进行了24个月的预测,预测结果显示,未来24个月内我国消费者物价指数温和上升,不会发生大的通货膨胀,但是存在一定的通胀压力。     

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。     

基于机器学习与时间序列组合模型的中国汽车市场预测

文章构建了基于差分自回归移动平均(ARIMA)模型与支持向量机(SVM)、随机森林(RF)、极端梯度提升树(XGBoost)的三种组合模型,将其应用于国内汽车市场批零量预测。基于2009—2018年国内汽车市场乘用车批零量数据以及上汽集团数据库中相关指标数据,将组合模型的预测结果与改进后的三次指数平滑(HW)算法、ARIMA模型进行比较。结果显示:组合模型均能有效地改善建模结果,其中ARIMA与XGBoost的组合模型针对批发量与零售量的三个月内预测平均相对误差分别为3.53%与2.97%,对汽车企业具有参考价值。     

两次金融危机影响下中国CPI运行对比分析

研究发现1997年金融危机发生前后CPI运行相关度非常高,而2008年金融危机发生当期CPI与2007CPI运行相关度非常高,并且对2008、2009年前5个月同比CPI数据进行分析,相关度也非常高。对此,文章在此基础上运用BP神经网络模型具有很好地模拟非线性系统的优点,对BP神经网络模型进行了改进,并运用该模型对中国2001～2008年前5个月月度CPI指数进行了拟合的基础上,对2009年后7个月月度CPI指数和全年CPI指数进行了预测。将2009年全年数据(包括已公布的前5个月数据和后7个月的预测数)与2008年数据进行相关分析,发现相关度非常高。     

ARIMA模型在移动通信用户数预测中的应用

本文采用自回归求和移动平均模型(ARIMA(p,d,q)),对贵阳2002年7月到2005年6月的36个月忙时用户数据进行分析,结果显示,ARIMA(0,1,1)模型提供了较准确的预测结果,可用于对未来月份忙时的用户数预测。就此,可为交换设备的建设提供可靠的参考依据。     

基于混频模型的CPI短期预测研究

传统的CPI预测模型都是基于相同频率的月度数据,金融市场的高频日度数据需要转化为月度数据才能使用。这会忽略日度变量所包含的CPI短期走势信息。为充分利用这些信息,本文基于自回归混频数据抽样模型同时考察了金融市场一阶矩收益和二阶矩波动的日度信息对CPI的短期走势预测的影响。结果表明,股票收益、短期利率和长短期利差变化量仅在收益水平上对CPI短期走势产生影响,而长期利率、粮食和能源商品市场的收益和波动都有助于CPI短期预测,而且收益对CPI的影响要比波动更加持久。相对于传统的月度时间序列建模方法,本文的混频CPI模型具有更好的样本内解释能力和样本外预测能力。另外,引入二阶矩波动的日度信息在一定程度上能更多地降低预测偏差。     

我国CPI季节调整模型预测

文章基于考虑春节效应的X-12-ARIMA季节调整模型,对我国2002年1月至2013年12月的CPI序列月度数据进行季节调整,并进行季节波动性分析及短期预测.实证结果表明:我国的CPI变动存在明显的季节性特征,春节效应对其有显著影响;CPI序列的短期波动主要是受季节性成分影响,而长期波动主要受趋势-循环成分影响;利用该模型进行短期预测效果较好,预测误差绝对值控制在1.5％之内.     

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。     

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.     

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.