基于TAR模型的中国股市价格泡沫检验

本文对经典股票价格泡沫模型的常利率假设进行了推广，在随机利率下得到了股票价格泡沫周期性破灭的理论框架。然后在此框架下使用TAR模型对我国上证综合指数1997年10月31日到2007年10月31日的泡沫情况进行了检验，结果表明其泡沫主要集中在1999年和2007年两个年份，尤其在2007年1月到5月底泡沫程度最为严重：最后，通过分析深证指数同期的泡沫情况验证了两市泡沫的联动性。     

光伏建筑一体化行业板块指数的预测模型构建 ——基于ARIMA模型的实证分析

在30、60双碳目标之下,光伏建筑一体化行业的发展是绿色建筑、碳中和的重要实现路径,故有效地判断该行业板块未来的变动趋势,有助于更好地把握该行业投资盈利点。基于2019年4月1日至2021年5月28日沪深股市中 37 家光伏建筑一体化相关企业的股票数据,建立ARIMA模型对光伏建筑一体化的板块指数发展趋势做出预测。研究发现,ARIMA(20,1,3)模型通过了ADF 检验和 L-Jung-Box 检验,并预测出2021年5月至2021年7月该板块指数将呈现“锯齿”形总体不断向上增长。最后,根据模型预测结果和市场背景,提出针对性的建议,为市场投资者和企业管理者提供相应的技术参考和启示。     

基于ARIMA的PPI时间序列分析

ARIMA模型是一类精度较高的时间序列短期预测模型,本文借助于计量经济学软件Eviews对我国2010年5月到2012年7月PPI时间序列数据建立了ARIMA(0,1,1)模型,并对未来我国PPI的走势进行了预测分析.     

时间序列模型在辽宁省GDP预测中的应用

文章应用Eviews与R语言软件对辽宁省1995~2010年GDP数据分析。建立ARIMA(1,1,1)、ARIMA(0,2,3)及支持向量机回归模型,其中ARIMA(0,2,3)中参数估计未通过的MA(1)与MA(2)项忽略,对MA(3)进行的建模。再对2011~2015年数据进行递推一步预测,计算出各个模型的均方误差。结果表明,ARIMA(0,2,3)具有较好的预测效果。     

基于组合预测模型的我国GDP预测分析

利用中国1990—2009年的GDP数据,在建立指数曲线模型、ARIMA模型和三次多项式模型的基础上,以误差平方和最小为最优准则建立组合预测模型,对中国2010—2015年的GDP值进行预测。结果显示,组合预测模型的精度高于各个单项预测模型;2010—2015年的年均增长率为14.79%,我国国民经济仍以较快的速度增长。     

深圳股票市场的羊群行为及其演化——基于一个改进的CCK模型

基于股票市场上升和下降的非对称性以及ARCH效应,提出检验羊群行为的新模型——AAE-CCK模型。对深圳成份股周收益率数据羊群行为的静态分析表明,相对于CCK、E-CCK和A-CCK模型而言,AAE-CCK模型有较好的检验效果和稳健性。不同样本区间数据的检验表明,2007年前后深圳成份股的羊群行为比较显著。对深圳成份股日收益率数据的动态研究显示,深证股票市场一直存在着羊群现象,并且呈逐渐减弱的趋势。深证股市下跌时的羊群行为始终强于股市上涨时的羊群行为。这种羊群行为非对称性特征的发现,不仅弥补了Tan et al.(2008)对深圳股市羊群行为研究的不足,而且很好地解释了股票市场的"慢涨快跌"现象。     

中国CPI指数的时间序列分析

CPI指数是一个滞后性的数据,但它往往是市场经济活动与政府货币政策的一个重要参考指标.CPI指数稳定、就业充分及GDP增长往往是最重要的社会经济目标.文章利用SPSS、E-Views软件,将时间序列的ARIMA模型应用于中国地区CPI指数分析,通过对CPI指数进行拟合、预测分析,得到了较好的效果.     

基于灰色-ARIMA耦合模型的中国发电量短期预测

针对国内发电量的持续增长现象,基于中国2012—2021年的发电量数据,使用新陈代谢GM(1,1)模型与阻尼趋势模型耦合所得的灰色- ARIMA耦合模型,对中国2022—2030年的短期发电量进行预测。比较新陈代谢GM(1,1)、传统GM(1,1)与新信息GM(1,1) 模型的试验结果,将误差平方和最小的模型与ARIMA模型耦合,引入时间序列分析来拟合发电量,构建等权的灰色-ARIMA耦合预测模型,得到2022—2030年发电量的可靠耦合预测数据,具有一定的鲁棒性。为我国制定新能源措施和发展规划,实现碳中和、碳达峰及可持续发展具有重要的借鉴意义。     

基于ARIMA模型的中国装备制造业发展预测

使用ARIMA模型对装备制造业工业增加值(EMI)序列进行拟合,结果显示,我国装备制造业增加值逐年增长,但增长率逐年降低。我国装备制造业在未来几年仍呈现较快的增长趋势,2015年当年价的装备制造业增加值按GDP平减指数计算,大约为51800亿元人民币。     

ARIMA模型在国内旅游市场预测中的应用

采用ARIMA模型，利用实际数据进行模拟，建立山东省国内旅游游客量预测模型，结果与BP网络模型、灰色系统模型、多元回归模型、指数模型的模拟结果进行比较，结果表明，该方法准确可靠高、方便快捷，适用于国内旅游市场游客量的预测。     

我国能源消费的ARIMA模型预测

能源影响着我国社会经济的稳定持续发展，对未来能源消耗的准确预测具有重要意义。本文利用Box-Jenkins法的ARIMA模型，对我国1978年—2010年的能源消费总量数据序列进行分析，证明ARIMA（1，2，2）模型拟合较好，预测了2011年我国能源消费总量。实证分析结果表明，所选模型能较为精确地预测中国能源消耗情况。     

深证综合指数波动性的实证分析

股票价格的频繁波动是股票市场最明显的特征之一。ARCH类模型可以很好地预测证券市场上股价变化的波动性。文章采用ARCH模型及其扩展模型GARCH模型对深证综合指数的波动性进行实证研究,结果显示深证综合指数的分布表现出非正态性,且有明显的尖峰厚尾性,波动集群性等特点。最后利用ARCH类模型对深证综合指数的波动进行了拟合,结果表明GARCH(2,2)模型对深证指数波动具有较好的拟合效果。     

基于TOPSIS准则和SARIMA模型的江苏省快递业务量短期预测

物流产业与诸多产业都有非常密切的联系，在推动GDP增长和提高社会经济发展方面具有不可忽视的作用。利用过去的快递业务量预测未来值，有利于反映物流产业的发展趋势。基于江苏省2013年5月至2021年4月的快递业务量数据，选用简单季节ARIMA（差分自回归移动平均）模型和乘积季节ARIMA模型以及基于TOPSIS（逼近理想解排序）准则的两种ARIMA组合模型进行拟合，并预测2021年5月至2022年2月的快递业务量数据。发现3种模型预测的平均相对误差均较小，且组合预测模型的预测效果优于其他两种季节ARIMA模型。     

人民币汇率的ARIMA模型的预测

在简要介绍时间序列模型的基础上,使用美元/人民币的日汇率值进行实证研究,建立相应的ARIMA模型.本文试图将此模型应用于汇率的短期预测,并对其预测效果进行评价.     

基于股市行情的股票收益率波动性实证分析

文章用ARCH模型簇对股票收益率波动性进行建模,在充分考虑到股市行情对均值方程的影响后,用ARCH模型簇对最能反映中国股市波动情况的指数之一--深证成指股票对数收益率的波动进行建模.经过实证分析,中国的股市存在杠杆效应,在充分考虑到影响均值方程的股市行情后,得出EGARCH(1,1)模型是最优的拟合模型.     

深证综合指数波动性的实证分析

股票价格的频繁波动是股票市场最明显的特征之一.ARCH类模型可以很好地预测证券市场上股价变化的波动性.文章采用ARCH模型及其扩展模型GARRCH模型对深证综合指数的波动性进行实证研究,结果显示深证综合指数的分布表现出非正态性,且有明显的尖峰厚尾性,波动集群性等特点.最后利用ARCH类模型对深证综合指数的波动进行了拟合,结果表明GARCH(2,2)模型对深证指数波动具有较好的拟合效果.     

GDP时间序列模型构建及预测——以四川省为例

ARIMA时间序列模型是利用变量过去的变动规律对未来值进行短期预测的合适模型,GDP是衡量一个国家或地区经济发展和宏观经济运行状况的一个重要参考指标.本文利用四川省1978-2012年的时间序列数据建立四川省GDP的ARIMA(1,1,0)模型并利用该模型进行短期预测,预测出四川省在2016年国民生产总值将突破4万亿元,在2010年基础上翻一番.     

基于小波分解和ARIMA模型的城际铁路客流预测

针对城际铁路车站客流预测问题,文章采用离散小波分析方法对城际铁路车站原始日客流量数据进行小波分解;对分解得到的各层小波系数,利用AIC赤池信息准则进行ARIMA建模;利用训练得到的ARIMA模型进行预测未来一段时间客流数据的高频分量和低频分量,并对其进行小波重构,从而得到未来一段时间的预测客流数据;最后以广珠城际铁路某车站实际客流数据为例,对文章所提出的客流预测模型和客流预测算法进行了验证。实验结果表明,文章所提方法客流预测方法具有一定的预测精度。     

基于GIS的邹城工业园区大气污染物浓度时空变化研究

本文收集了2019年3月1日至31日邹城工业园区10个环境监测站点的数据,首先对其进行归一化处理与平稳性ADF检验,然后进行ARIMA模型时间序列分析和模型预测,最后基于ArGIS平台的IDW空间插值算法,进行大气污染物浓度空间特征分析。其间从时空角度分析了邹城工业园区大气污染物质量浓度变化情况,揭示其机理与成因,为同类工业园区的空气污染防治提供可参考的研究方法。     

基于时间序列分析的湖南粮食总产量预测

文章对比传统时间序列分析模型(线性回归、二项移动平均、一次指数平滑、二次指数平滑等)与ARIMA模型在湖南省粮食总产量中的拟合精度,并应用ARIMA(2,1,10)模型预测了未来3年内湖南省粮食总产量.结果表明,在湖南省粮食总产量拟合中,ARIMA(2,1,10)模型得到的粮食总产量拟合值与观测值的相对误差均方最小,优于传统时间序列分析模型;利用ARIMA(2,1,10)模型预测未来3年内湖南省粮食总产量,粮食总产量有逐年上升的趋势,且增长率逐年上升.