应用ARIMA模型预测我国能源消费量

本文采用ARIMA模型型对1974年-2003年我国能源消费量的年度数据进行分析,结果显示,ARIMA模型不但适合于我国能源消费量的非平稳时间序列的特点,并且可以用于未来值的预测。     

应用ARIMA模型预测我国能源消费量

本文采用ARIMA模型型对1974年～2003年我国能源消费量的年度数据进行分析,结果显示ARIMA模型不但适合于我国能源消费量的非平稳时间序列的特点,并且可以用于未来值的预测.     

湖北省CPI时间序列分析及预测

本文利用湖北省2002-2009年这8年96个月的月度数据,建立求和自回归移动平均模型(ARIMA)对2010年1-4月的湖北CPI进行了预测,结果表明,ARIMA(1,1,0)是描述我省CPI变化趋势相对较优的时间序列模型。     

基于ARIMA模型的我国人民币汇率的时间序列分析

大多数经济时间序列呈现非平稳性,因而不能直接用ARIMA模型进行分析。但是通过对原始序列进行差分,将其转换为平稳时间序列,再用ARIMA模型进行建模。本文通过对2000-2010年我国人民币汇率时间序列的分析,预测2010年6-12月数据,并证实了ARIMA模型是一种很好的短期预测模型。     

结合PMI的固定资产投资预测分析

文章首先对中国月度固定资产投资序列建立ARIMA模型来对其进行预测,然后引入PMI指标进行预测。对比分析模型预测结果表明:引入PMI指标后的ARIMA模型的预测结果更加准确,预测效果更好,从而更具有实际意义。     

结合PMI的固定资产投资预测分析

文章首先对中国月度固定资产投资序列建立ARIMA模型来对其进行预测,然后引入PMI指标进行预测.对比分析模型预测结果表明:引入PMI指标后的ARIMA模型的预测结果更加准确,预测效果更好,从而更具有实际意义.     

我国货币供应量预测:基于STM模型

基于标准的结构时间序列模型,将原序列分解得到趋势、周期、季节及不规则成分,在此基础上增加干预成分,将其扩展为复杂结构时间序列模型。应用1997年1月—2015年6月的中国货币供应量进行了预测,比较了STM和ARIMA预测效果。实证研究表明,STM模型具有良好的预测效果。     

ARIMA模型在四川民族地区GDP预测中的应用研究

应用时间序列模型中单整自回归移动平均模型ARIMA(p,d,q)的建模过程,依据1990-2011年四川民族地区GDP数据,建立ARIMA(1,1,0)模型,并结合Eviews5.0统计软件实现对模型的检验。结果显示,模型具有较好的预测效果和现实意义,可为四川民族地区制定经济发展目标提供决策参考。     

基于ARIMA模型的汇率预测研究

本文采用2010年7月1日至2013年11月30日的人民币兑美元汇率周平均值,建立了ARIMA模型,对并汇率序列进行预测和评价。实证结果表明,ARIMA(2,1,2)模型预测结果比较成功,基本能反映人民币升值的趋势。     

金融危机后我国居民消费价格指数时间序列分析及预测——基于ARIMA模型

金融危机后,我国实施四万亿财政政策,带动经济快速发展,但政策的滞后性引起了近几年通货膨胀的急剧增长,甚至达到2011年的最高位6.5％.本文以我国2008年9月-2011年12月这四年(40个月)的月度数据,对我国CPL序列建立求和自回归移动平均(ARIMA)模型,结果表明,ARIMA(2,10)是描述我国CPI变化趋势的较优的时间序列模型.本文利用该模型对2012年1、2、3、4月的我国CPI月度数据进行了相应的预测.最后针对研究结果,给出相应的建议.     

地方国库现金流量预测初探——以许昌市为例

本文以许昌市为例,通过分析地方级国库现金流的特点,选择时间序列预测法,利用ARIMA模型对2010年1-9月数据进行了预测,并提出了进一步提高预测精度的途径。     

基于ARIMA模型的湖北省CPI时间序列分析及预测

金融危机后,伴随着世界经济的快速增长,通货膨胀问题越来越严重,物价上涨厉害。本文利用湖北省2008年9月至2011年这4年(32个月)的月度数据,对湖北省CPI序列建立求和自回归移动平均(ARIMA)模型。结果表明,疏系数模型ARIMA((1,3,10),1,(2,3))是描述湖北省CPI变化趋势较优的时间序列模型。本文利用此模型对2011年5、6、7月的湖北省CPI指标进行了预测并提出了相应的建议。     

基于ARIMA模型的湖北省CPI时间序列分析及预测

金融危机后,伴随着世界经济的快速增长,通货膨胀问题越来越严重,物价上涨厉害。本文利用湖北省2008年9月至2011年这4年(32个月)的月度数据,对湖北省CPI序列建立求和自回归移动平均(ARIMA)模型。结果表明,疏系数模型ARIMA((1,3,10),1,(2,3))是描述湖北省CPI变化趋势较优的时间序列模型。本文利用此模型对2011年5、6、7月的湖北省CPI指标进行了预测并提出了相应的建议。     

ARIMA模型在云南省GDP预测中的应用

从云南省经济发展的实际情况出发,以1978～2013年云南省GDP统计资料为依据,将这些数据进行平稳化、零均值化处理,并利用序列的自相关函数、偏自相关函数的性质确认序列应当适合的模型,利用时间序列模型中的ARIMA模型中的Box-Jenkins方法,对云南省1978～2013年的GDP数据序列进行建模分析,验证该序列的时间序列特性,研究并选择了序列的最佳ARIMA(1,1,1)模型。模型实证分析的结果表明:在时间序列分析建模与预测方面Box-Jenkins方法是精度较高且切实有效的方法模型。     

基于计量模型的2009年我国货币供应量预测

货币供应量是影响经济金融体系能否正常运行的重要因素,正确预测货币供应量走势对我国经济金融政策的决策和经济发展战略的实施都有着十分重要的意义.本文介绍了符合金融系统预测规律的ARIMA(p,d.q)时间序列模型,并根据我国货币供应量实际数据对2008-2009年货币供应量走势进行了预测检验,实证预测结果显示与2008年实际M2相对照,模型预测精度较高,误差被控制在2%以内,说明ARIMA模型能较准确地预测我国货币供应量走势,可为我国货币供应量的预测和走势提供可靠的参考依据.     

基于ARIMA模型的上证50指数的分析及预测

上证50指数是中国股票指数期货中一个重要的品种,它是挑选上海证券交易所上规模大、流动性好的最具代表性的50只样本股构成,从而反映市场上最具有影响力的一批龙头企业的整体状况,因此对其研究具有非常重要的意义。本文根据数据的时间序列的特性,选取2004年1月到2016年11月每日收盘价为原始数据作为研究对象,利用数据时间序列特性具有优势性的差分自回归移动平均模型(ARIMA模型)建立ARIMA模型对其进行定量分析,并且对未来走势进行预测。     

基于多尺度阈值方法的金融时间序列去噪研究

本文通过实证分析,说明金融时间序列建模前降噪预处理的必要性,更进一步地,运用多尺度阈值方法对金融时间序列去噪,再用传统时间序列预测方法ARIMA(p,d,q)模型对降噪后的数据进行预测。通过与小波阈值去噪预测模型的比较,得出多尺度阈值去噪预测效果更加理想。     

基于ARIMA模型的上海居民消费价格指数分析及预测

大多数的经济时间序列存在惯性,通过这种惯性可以对时间序列的历史数值进行分析建模,从而对未来值进行预测。本文对1991~2015年上海居民消费价格指数的时间序列进行数据分析,利用Eviews9软件对1991~2013年上海居民消费价格指数实际的数据建立ARIMA(1,2,2)模型。用该模型对2014年和2015年的上海居民消费价格指数进行预测并与实际值进行对比,结果显示该模型预测的精准度较高。后对2016年上海居民消费价格指数进行预测,以达到合理预期和分析目的。     

基于自回归滑动平均模型的我国房地产业态势研究

选择国房景气指数作为房地产行业的发展态势评价指标,利用时间序列分析法对1995年到2010年间的我国房地产开发业月度景气指数序列进行分析来建立短期预测模型,以期为房地产行业态势预测研究提供参考。经过单位根检验,一次差分和自回归,建立ARIMA(1,1,5)模型,并进行了短期预测和检验,验证了模型的有效性。     

ARIMA模型在基金投资决策中的应用——以创业板ETF基金为例

本文通过选取创业板ETF日收盘净值数据(2012年12月3日-2013年4月26日),对数据经过处理,化为平稳序列;经过模型估计和相关检验,对该时间序列最终建立较合适的ARIMA(5,1,5)模型,该模型经过预测检验,误差较小、准确度较高,能够较好的刻画基金净值的短期动态变化特征,该模型对我国基金投资者的投资决策具有一定的参考价值。