基于ARIMA模型的我国快递业务量状况研究

本文通过Eviews8.0软件采用时间序列分析方法,对我国快递业务量的月度数据进行分析,建立ARIMA模型并进行参数估计及检验,对比Holt-Winters季节乘法模型预测结果和实际值进行误差分析,选择ARIMA季节乘积模型,对未来我国的快递业务量进行预测。     

基于ARIMA模型的中国外贸进出口预测:2006-2010

ARIMA(Auto-regressive Moving Average)模型是一种常用的随机时序模型,主要用于预测,短期预测精度较高。本文利用ARIMA模型预测了2006-2010年中国外贸进出口总额、出口总额和进口总额。     

基于ARIMA模型在社会消费品零售总额预测中的应用

为了研究ARIMA模型对经济数据的预测,本文利用统计软件EViews7.2,通过分析我国社会消费品零售总额从2003年1月到2010年12月的月度数据,建立了八种不同参数的乘法季节ARIMA模型。根据模型的预测精度、检验结果,本文确定了最优预测模型ARIMA(2,2,0)×(1,1,1)12,并运用该模型来预测我国2011年1月至12月的社会消费品零售总额,并与2011年实际数值进行比较,拟合效果良好。对于2012年的展望,笔者认为,其值仍将呈速度较快的上升趋势。     

基于组合模型的金融机构存款余额预测研究——以河南省为例

金融机构存款余额反映地区经济活力和要素吸附能力。研究利用差分自回归移动平均模型(ARIMA)在时间序列预测上的线性优势和长短期记忆神经网络模型(LSTM)对非线性数据的挖掘能力,对河南省金融机构的月度存款余额进行了预测。首先,利用ARIMA模型对2010—2020年的存款数据建立模型,得出线性预测值与残差值;然后,采用LSTM神经网络对存款余额残差数据集建模和预测,得出存款余额残差值的拟合值;最后,将线性预测值和残差拟合值组合得出存款余额的预测值。实证结果表明,ARIMALSTM模型能较好地实现河南省金融机构存款余额的预测。     

我国棉花价格长期走势与短期预测——基于差分自回归移动平均模型(ARIMA)的分析

近年来受各种因素的影响,棉花价格波动较大,预测棉花价格是对纺织企业生产及棉农意义重大。本文通过H-P滤波分析了我国棉花价格的长期走势,并在分析2008-2011年间月度棉花价格的基础上建立了基于差分自回归移动平均ARIMA(1,1,1)的棉花价格预测模型,利用该模型预测了2012年1月至4月间棉花价格,结果显示,ARIMA(1,1,1)模型能够较好地模拟并预测短期国内棉花价格。     

卷烟单规格月度销量的时间序列预测方法研究

基于回归模型、指数平滑模型、时间序列分解模型、季节ARIMA模型和X13-A-S方法对某省玉溪(软)卷烟2015年1月到2020年12月共72个月的月度销量进行预测，并对预测结果进行检验。在销量最高的1月，预测结果的差异最大，在销量最低的12月，预测结果的差异最小。2020年1月至10月的实际销量为49780.78箱，预测最为接近的是季节ARIMA模型，其次是X13-A-S方法，预测差距最大的是时间序列分解法。在平均相对误差上，X13-A-S方法的平均相对误差最小，为8.57%,季节ARIMA模型次之，为10.43%。回归分析方法的标准误差最小。在销量均值的预测上，季节ARIMA模型和X13-A-S方法预测的绝对误差和相对误差较低，可以作为卷烟月度销量的通用方法。     

基于ARIMA模型的我国国内生产总值的分析与预测

本文先介绍了ARIMA模型,而后重点在于ARIMA方法与传统法的比较,指出了ARIMA方法与传统方法的异同,关键的不同点主要有三个方面:建模的基本思想不同、前提不同以及适用范围不同,最后运用ARIMA模型对我国1978—2009年的GDP总额进行了分析与预测,得出ARIMA(2,2,2)模型可以对我国的GDP序列作短期预测。     

组合预测模型在股指短期预测中的应用——以上证综合指数为例的实证分析

本文分析了自回归移动平均模型(ARIMA)与BP神经网络模型在预测方面的特性和模型各自的优缺点,在此基础上尝试建立了ARIMA和BP神经网络的股指组合预测模型。ARIMA与BP神经网络组合使用的基本原理是股指时间序列数据可分解为线性部分和非线性残差部分。本文以上证综合指数为例,首先采用ARIMA预测上证综合指数的线性变化趋势,然后采用BP神经网络对上证综合指数的非线性趋势进行拟合,最后整合两种模型的预测结果。仿真结果表明:组合模型提高了对上证综合指数的预测精度,证实了组合模型在股指预测方面的有效性。     

汇率变动对进出口影响分析——基于汇改后数据的实证研究

通过对2005年8月至2008年8月这个阶段的人民币实际有效汇率、我国进口总额、出口总额的月度数据进行相关处理,利用误差修正模型和Granger因果检验模型,验证了人民币实际有效汇率对我国进口总额和出口总额的影响。结果表明:实际有效汇率与进口之间存在着长期均衡关系,而与出口之间不存在长期均衡关系,并且实际有效汇率对我国进口总额和出口总额的影响存在着短期滞后性。     

发电量与经济增长的相关性研究——基于发电量的时间序列

利用工业增加值为考察经济增长的指标,详细分析了发电量月度数据增长走势,并对比考察了月度数据、工业增加经济数据及钢、生铁等产量的经济指标,说明了发电量和经济增长确实存在正相关关系。通过拟合发电量数据,建立了ARIMA模型,以便更好地把握经济动态。     

我国CPI预期实证分析

本文运用ARIMA模型对我国2006年1月到2014年2月的月度CPI数据进行实证分析,建立了一个相对误差不超过1%的与预测模型。最后,本文对2014年3月到6月的CPI数据进行预测。     

基于ARIMA模型的饮品销售预测

本文旨在用时间序列分析方法对某上市饮品公司近六年的月度销售量数据进行分析预测.作者根据样本数据自身特点,采取了时间序列分析方法,并结合统计软件Eviews6运用ARIMA建模方法对该组时间序列进行分析,建立最优计量模型,得到了合理的预测结果.     

我国CPI预期实证分析

本文运用ARIMA模型对我国2006年1月到2014年2月的月度CPI数据进行实证分析,建立了一个相对误差不超过1%的与预测模型。最后,本文对2014年3月到6月的CPI数据进行预测。     

股指期货期现套利交易与ARIMA模型构建

文章通过在ARIMA模型时间序列分析预测期现货价格的基础上,建立股指期货期现套利模型。以2011年5月23日至7月15日沪深300现货和IF1107期货合约真实交易数据为研究对象进行实证分析,结果表明ARIMA(3,1,3)模型很好的拟合了价格序列,并给出了期现套利交易策略实现无风险套利。     

汇改对我国中小企业出口的影响测度与预测——基于汇改后月度数据的实证分析

当前我国中小企业出口经营困境凸显,进一步汇改是否会加剧其困境成为关注的焦点。本文基于汇改后的月度数据,采用GARCH模型分析各次汇改对汇率弹性的影响特征,构建向量误差修正模型测度和预测汇改对中小企业出口的影响。结果表明:汇改促使人民币每升值1%,其出口减少3.874%;汇率弹性增强1%,其出口减少0.034%。预测的中小企业出口总额较为平稳。进一步汇改以增强汇率弹性为核心不会对中小企业出口总量造成大的冲击。     

我国居民消费价格指数时间序列预测——基于ARIMA模型与平滑ARIMA模型的比较分析

对我国CPI的1951-2008年年度数据进行分析预测,用一种短时序数据的结构分析模型——平滑ARIMA模型对数据进行了分析预测。通过对两个模型预测效果的比较,结果表明,相比于ARIMA模型,平滑ARIMA模型预测的准确度大大提高。     

期货对现货价格预测的作用——基于ARIMA模型的实证探讨

本文通过建立ARIMA模型和ARIMAX模型,以我国HS300指数为研究对象。在准确识别的基础上,实证检验了我国hs300指数的日内指数现货价格序列。通过ARIMAX模型的输入变量包含了IF8888指数期货价格序列,将指数期货价格信息反映到现货价格的预测过程中,同时与ARIMA模型作比较。研究发现,带指数期货价格序列输入变量的ARIMAX模型与不存在其他输入变量的ARIMA模型在相同的参数条件下,前者的拟合误差下降,预测精度显著提高。说明期货价格信息可以更好地预测现货指数价格。同时为了说明预测的可信性,本文选取期货交易所的官方数据。在数据的平稳性检验部分用了ADF检验来进行平稳性的检验和对d值的确定,在对p值和q值的确定上,使用了枚举法来进行最佳组合的选取,这些都保证了预测的精确性和可信性。     

我国松香价格走势研究——基于ARIMA模型对黄埔马尾松香价格走势的分析

2008年以来,松香价格波动剧烈,引起业界广泛关注。本文根据黄埔松香价格变动趋势来分析长短期价格波动特征和变动趋势,构建了非平稳时间序列ARIMA(p,d,q)模型,并预测松香月度价格,以期为松香市场信息的准确预测提供借鉴。     

基于ARIMA模型对我国就业状况的预测

本文采用求和自回归移动平均模型(ARIMA),对我国1952年～2006年的就业人数的数据进行时间序列分析,结果显示ARIMA(2,1,1)模型提供了较准确的预测结果,可用于未来的预测,就此可为我国社会保障部门提供一些参考数据。     

居民消费价格指数预测的分解模型研究——以武汉市时间序列数据为例

居民消费价格指数是进行宏观经济分析与决策的重要经济指标。作为经济时间序列,居民消费价格指数的变化受到长期趋势、周期性循环要素、季节因子和不规则要素这四个因素的影响。本文选取武汉市2003年1月至2009年11月居民消费价格指数的月度数据,对其进行季节调整后,再通过HP滤波方法得到长期变动趋势序列,并用时间序列混合分解模型进行拟合与预测。