基于ARMA模型的湖南省民间投资时间序列分析

时间序列分析方法是经济领域研究的主要工具之一。合理的时间序列模型会十分接近真实数据生成过程,运用时间序列模型来预测经济变量具有重要意义。ARMA模型描述时间序列的动态性和发展变化规律,具有广泛的实用性。本文通过ARMA模型分析时间序列的随机性和平稳性,借助EVIEWS软件对湖南省民间投资数据进行具体分析并预测。结果表明,模拟值和真实值接近,在实际应用中ARMA模型对短期内预测民间投资额具有很高的精确性,这一精确性对政府政策的决策和实施起重要作用。     

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.     

基于MR和TSA的成品油价格模型

通过对影响成品油价格的众多因素进行数据整理分析,首先建立了多元回归模型对其数据进行预测;然后建立了二次移动平均预测模型、三次指数平滑预测模型对其进行时间序列分析预测。综合三种方法对近15个时间片的油价预测值与统计值进行比较与误差分析,仿真结果表明,多元回归模型和时间序列分析的三次指数平滑预测达到了较好的效果。     

ARIMA模型在辽宁省GDP预测中的应用

本文通过建立时间序列模型对辽宁省1978年到2008年的实际国内生产总值时间序列数据进行了分析,经过合理筛选和选择,以ARIMA(1,1,1)模型作为最终模型,并以此模型预测了辽宁省2009-2011年GDP分别为14896.34亿元,17479.48亿元,20455.54亿元。预测误差分别为3%,0.7%。希望可以为辽宁省制定宏观经济政策提供定量依据。     

基于灰色系统理论的中国房地产市场预测模型改进研究

本文在灰色系统理论的基础上建立GM(1,1)模型,并对该模型进行了改进,利用GM(1,1)模型的预测数据和原始数据的比例建立函数关系,构造递减序列。用加入递减序列的改进GM(1,1)模型对我国房地产市场进行了预测,结果显示改进的GM(1,1)模型预测结果更准确,与实际结果更接近,误差也更小,更适合于房地产市场的走势预测。     

灰色-时序组合模型在建筑物沉降预测中的应用

为了获得较为准确的建筑物沉降预测结果和较高的预测精度,结合灰色模型、时间序列模型的优点,提出灰色-时序组合模型进行建筑物沉降预测的方法,有效克服了单一模型预测精度低的缺点。以某工程实例沉降观测数据作为原始建模分析数据,通过对灰色预测模型、时间序列预测模型以及组合预测模型的预测结果进行比较分析,结果表明,灰色-时序组合模型预测的沉降值更接近实测值,预测的精度比单一模型更高,具有一定适用性,有利于高层建筑物的沉降预测、预警,确保建筑物的安全性。     

风险度量的混合GARCH模型及对中国股市的实证分析

基于GARCH模型的VaR计算方法一直是一个颇受关注的研究领域,但在残差服从正态分布的假设下,有时GARCH模型的"尾"仍不够厚.论文讨论了混合广义自回归条件异方差(MGARCH)模型,它能够更好地刻画金融时间序列的厚尾现象.论文还结合我国股市数据,运用EM算法对收益率序列建立混合GARCH模型,计算市场风险VaR值,并对结果做出分析.     

风险价值法在投资银行市场风险评估中的应用

风险价值方法(Value-at-Risk)是近几年发展起来的用以测量和控制金融风险的量化模型。本文使用VaR模型测量了投资银行证券业务中的市场风险,应用上海证券交易所的实际数据,具体计算出VaR的时间序列,并论证了应用该时间序列来评估风险的大小的方法。最后分析了VaR方法的应用范围及在我国的应用前景。     

山东城镇居民消费结构变迁的统计特征及实证研究

依据山东省统计年鉴的资料,利用扩展的线性支出系统模型（ELES）和时间序列与截面数据结合模型（TS／CS）,对山东省城镇居民的消费结构进行了定量分析。     

基于沪市股票日收益率的时间序列模型分析

近年来,用统计模型来描述金融时间序列的波动一直是国内外学者关注的重点.本文选取2000-2015年间上证指数日收盘价的数据,计算股票日收益率,利用计量经济学中有关金融时间序列的波动性分析的ARCH模型以及GARCH模型,对股票收益率波动是否存在ARCH效应进行实证研究和分析.     

时间序列与BP神经网络在新疆GDP预测中的对比分析

根据新疆维吾尔自治区2009年统计年鉴中的数据,构建并选用合适的时间序列模型、BP神经网络模型,对2004年-2008年的新疆GDP进行预测,并用预测结果与实际值求得相对误差,然后将两种模型的误差进行比较。结果表明,BP模型应用于新疆GDP预测较时间序列预测有较高的预测精度和良好的泛化能力。     

基于时间序列的动态风险监测模型研究及应用

文章针对区域内重点企业风险监测评估问题,提出了一种基于相关时间序列的企业动态风险指数的监测评估模型,建立了企业风险监测评估指标体系。通过分类数据实时采集,利用Z-score对各类企业风险数据进行归化处理,生成基于时间序列的风险强度矩阵,并叠加相关时间序列的风险衰减函数,利用熵权法给风险指标赋权,最后计算风险指数,对区域重点企业风险进行监测评估。仿真结果表明该方法是一种解决区域企业风险监测评估的有效方法。     

联合谐波小波与递归神经网络的股市时间序列预测

为了提高神经网络对股市时间序列的预测精度，首先利用谐波小波对股票市场数据进行多尺度分解，将其分解为不同尺度且具有平移不变特征的谐波小波分量；然后根据股市时间序列的特点，构建递归神经网络模型进行短期预测，以不同尺度的谐波小波分量为输入数据，对股市数据进行多尺度预测；最后对不同尺度的预测结果进行谐波小波重构，得到最终的股市预测数据。对我国股票市场进行了实验分析，结果表明：股市时间序列经谐波小波分解后，股市数据中不同投资时间水平的价格波动可以被较好的分离，有效地提高了股票市场数据的预测精度。     

近代中国若干年度政府购买时序数据的估算(1903—1936)

本文利用近代中国若干年度已有的宏观经济数据——GDP、消费、进出口以及对外投资数据的估算,引入柯布—道格拉斯生产函数和国民收入核算方法估算出政府购买的时间序列数据,首次估算出我国1903—1936年的投资额并据此得到政府购买长序列数据,实证分析了近代中国财政收入与政府购买的关系,通过价格指数和进口额验证了投资数据的准确性。本文认为,通过柯布—道格拉斯模型中的人口、资本、GDP等数据得出的近代中国传统产业的投资额存在一定可信度,从而保证了政府购买时序数据估算的可靠性。     

自回归模型在杭州公共自行车使用量预测中的应用

自回归是基于数据的统计性质建立模型。它把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数来构造模型,从而将单变量自回归模型推广到由多元时间序列变量组成的向量自回归模型。本文通过一些数据对向量自回归模型进行拟合,从而获得预测精度较高的预测模型。     

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Gramer分解定理对我国就业人数变化趋势分析及预测

本文基于时间序列的Gramer分解定理,利用我国就业人数1978年到2007年的历史数据进行实证研究,建立确定性趋势模型和ARMIA模型的组合模型。最后得出组合模型能够很好的预测我国的就业人数,然后运用模型对我国就业人数进行短期预测和分析。     

基于ARIMA模型的深证指数分析及预测

深证指数是指由深圳证券交易所编制的股价指数,对其进行深入研究具有非常重要的意义。文中使用时间序列ARIMA模型对深证指数进行定量分析,以2009年7月1日到2010年6月30日的日深证指数收盘价格为原始数据,通过对数据进行平稳、零均值化处理,模型识别和模型定阶,再使用最小二乘法估计参数后,最终建立了ARIMA(6,1,6)模型,并对模型检验证明有效后,对未来数据进行了短期预测。     

中国计算机硬件投入价格指数构造模型选择与分析

利用投入价格指数区分我国计算机硬件每期投入的物量变动与价格中变动,是测量我国计算机硬件投入经济价值的重要问题。目前我国这一数据的缺失,成为评价我国计算机硬件投入价值的"瓶颈"问题。论文通过建立我国计算机硬件投入价格指数模型,利用中美两国1986~2004年数据,构造我国计算机硬件投入价格指数序列,并对指数序列的可信度及波动原因进行了分析。     

ARMA模型在西藏自治区GDP预测分析中的应用

该文以西藏自治区1978～2011年的地区生产总值时间序列为具体的分析对象,通过对数据的平稳化处理,在此基础上建立自回归移动平均模型（ARMA模型）。用Eveiws软件拟合ARMA模型并做预测分析。