基于ARIMA类模型的农业股票价格实证研究——以隆平高科为例

运用ARIMA-GARCH的模式来对中国股价波动作出预测，选择现代化农业代表企业隆平高科收盘价指数的时间序列作为研究对象，对该企业3年来股票收盘价进行分析，并利用ARIMA模型进行股价预测，同时加入波动性影响，利用GARCH模型对风险率建立模型，研究发现所选择的ARIMA-GARCH模型对收盘价时间序列具有较好的拟合作用，股票价格整体呈上升趋势，具有一定震荡性，但总体风险不大。     

基于GARCH模型的股市收益与股指波动的实证研究

文章采用四个市场指数建立以来至2010年12月30日止,运用传统的最小二乘法和改进的自回归条件异方差模型( GARCH),从A股市场指数的波动性入手,研究四个市场收益率的特征,对指教序列的分布、序列的平稳性和异方差进行检验,从而对A股市场指教的波动有更深刻的认识和把握.     

基于ARIMA模型的消费者信心指数分析与预测

文章运用时间序列分析模型ARIMA(p,d,q)模型对我国消费者信心指数的变化特征及发展趋势进行分析并对未来时间内做预测,最后得出有关消费者信心指数的结论。     

结构时间序列模型在经济预测方面的应用研究

本文开发了一种新的经济时间序列预测方法——利用结构时间序列模型进行预测。在结构时间序列模型中由经济指标分解得到的趋势、循环、季节及不规则因素是不可观测的变量，不能利用传统的回归分析方法求解模型，因此，本文采用状态空间方法来求解结构时间序列模型。本文通过ARIMA模型来研究经济时间序列的结构，在此基础上建立了不同形式的结构时间序列模型，并利用结构时间序列模型对我国社会消费品零售总额、狭义货币供给量(M1)和国内生产总值(GDP)等经济时间序列进行了预测。实证研究表明，结构时间序列模型具有良好的预测效果。从而为经济时间序列预测提供了一种新的有效方法。     

深证成指周收益率波动及预测实证研究——基于ARCH模型

文章以1996—2012年深证成指(399001)周收盘价为对象,就我国股市波动情况进行实证研究。研究结果表明,我国深成指周收益率序列不存在自相关;对比GARCH(1,1)模型和GARCH-M(1,1)模型,不含常数项的GARCH-M(1,1)模型优于捕捉深成指周收益率的波动性。文章最后对其波动性进行了预测分析。     

基于ARIMA模型的JG钢铁原料库存量预测研究

库存量是减少原料的损失及成本的浪费是节约企业成本的关键。文章基于时间序列自回归滑动平均(ARIMA)预测模型,对JG钢铁原料库存量资料进行建模拟合。利用DPS软件,建立ARIMA预测模型,利用AIC准则法并考虑相关系数R的值以及拟合度C的大小定阶,通过拟合建模,ARIMA(1,l,1)模型较为合理。应用模型对2015年4月1日至4月5日库存量进行了预测,实现了JG钢铁原料库存量的短期预报。     

ARIMA融合神经网络的人民币汇率预测模型研究

本文在深入分析了单整自回归移动平均(ARIMA)模型与神经网络(NN)模型特点的基础上,建立了ARIMA融合NN的人民币汇率时间序列预测模型。其基本思想是充分发挥两种模型在线性空间和非线性空间的预测优势,即将汇率时间序列的数据结构分解为线性自相关主体和非线性残差两部分,首先用ARI-MA模型预测序列的线性主体,然后用NN模型对其非线性残差进行估计,最终合成为整个序列的预测结果。通过对三种人民币汇率序列的仿真实验表明,融合模型的预测准确率显著高于包括随机游走模型在内的单一模型的预测准确率,从而证实了融合模型用于汇率预测的有效性。这一结果也表明,人民币汇率市场并不符合有效市场假设,可以通过模型对汇率未来走势做出较准确预测。     

基于ARIMA模型的云南省第三产业发展预测

通过采用自回归差分移动平均(ARIMA)模型,对云南省第三产业产值序列进行分析,进而了解云南省第三产业未来的发展趋势,明确推动产业优化发展的方向。在使用STATA软件建模后,根据信息准则对模型进行筛选,得到了ARIMA(2,2,2)模型。随后,对模型进行拟合度检验,证明模型可以对第三产业产值进行短期的预测与分析,期望能为今后的相关研究提供参考。     

基于ARIMA-GARCH模型对WTI指数的实证研究

国际原油是资本市场兵家必争之地,原油价格受很多不确定因素影响,且各个因素之间的相关关系错综复杂,因此要从理论上彻底弄清楚原油指数的变化机理十分困难。然而原油指数是一个运动的、特殊的系统,它必然存在着规律。本文基于ARIMA-GARCH金融时间序列理论,对WTI波动率进行实证分析,经过平稳性检验、ARIMA参数选择、ARCH效应检验和GARCH模型优化,建立了ARIMA-GARCH预测模型,通过预测值与真实值的对比认为ARIMA-GARCH模型可以很好拟合WTI波动率并且进行短期预测。     

波动率预测:GARCH模型与隐含波动率

在预测未来波动率时,究竟是基于历史数据的时间序列模型还是基于期权价格的隐含波动率模型效率更高?本文对香港恒生指数期权市场所含信息的研究发现,在预测期限较短(一周)时,GARCH(1,1)模型所含信息较多,预测能力最强,但在预测较长期限(一个月)时,隐含波动率所含信息较多,预测能力较强。同时,期权市场交易越活跃,所反映的信息就越全面,隐含波动率的预测能力也就越强。     

中国人均GDP时间序列模型建模研究

本文对中国人均GDP1949年至2004年时间序列进行研究,建立了用于预测的时间序列模型,结果为ARIMA(1,2,1)。     

湖北省农村居民人均纯收入的时间序列模型

本文利用湖北省1980-2008年农村居民人均纯收入时间序列数据,建立了ARMA(自回归移动平均)模型进行时间序列分析.分析结果表明,ARMA(1,1)模型能够提供较好的预测结果,因而可以用其进行预测,为相关部门提供参考数据.     

基于ARIMA模型的中国社会消费品零售总额季度预测

本文介绍了自回归单整平均移动模型即ARIMA模型的基本原理及其构建与应用的方法;并分析中国2003年-2010年社会消费品零售总额的季度数据,运用ARIMA(p,d,q)(P,D,Q)s模型,对历史数据-2010年四个季度社会消费品零售总额进行预测,其预测值与实际值拟合效果较好;在此基础上,预测出了2011年四个季度的社会消费品零售总额。     

基于GARCH模型的股票收益率分析及预测

GARCH模型是对金融数据波动性进行描述的有效方法,它是最常用、最便捷的异方差序列拟合模型。资产收益率是金融数据分析常用的指标,比价格序列更易处理且更有研究意义。本文采用R语言,对2009年1月6日—2019年5月20日沪深300指数的日收盘价进行预处理,将其转化为平稳的收益率序列,检验其ARCH效应,建立GARCH模型以及标准化残差分析,最后对收益率和股票价格进行预测,预测的结果能为投资者进行决策提供一定的参考。     

基于GARCH模型的金融市场波动性分析与预测

以上证指数2004年1月2日至2014年12月28日交易日收盘价格的实际数据为样本,采取两种不同的波动率定义方式分别建立上证指数波动率的GARCH模型,并对两种波动率进行预测对比分析,实证研究结果表明以标准差定义的波动率建立GARCH(1,1)模型进行未来波动率预测的拟合效果较好。     

GARCH模型与VaR的度量研究

GARCH模型在金融资产序列波动率的模拟和金融风险VaR的度量中都有着广泛的应用。本文比较研究了RiskMetrics及GARCH族的11种模型分别在正态分布和Skewed-t分布下度量VaR值的精确程度,同时对向前一步预测的VaR值进行了失败率检测法和动态分位数测试。结果表明,Skewed-t分布较好地拟合了金融资产的厚尾特性;在不同的置信水平下,FIGARCH(BBM)、FIEGARCH及IGARCH模型预测的VaR值更加精确,其高估或低估的风险程度较轻。     

试分析美国股市隔夜走势对国内股指的影响

对中美指数的时间序列数据进行了研究,协整检验证明了中美股票市场的隔夜收益率存在稳定的回归关系,Granger因果检验则证明了美国昨日的收益率波动对解释中国股市当天的波动有所帮助,反过来则毫无帮助。某种程度上,可以从美国股市的走势中对中国股市的走势进行预测,并对此建立GARCH模型。这个估计的参数具有与理论一致的符号,并且统计上是显著的,印证了上述结论。     

人民币汇率波动规律研究——基于GARCH模型

利用GARCH类模型对2007年1月1日至2010年4月30日的人民币/美元的日汇率序列的波动特性进行了计量检验,检验结果表明在此期间汇率序列的波动存在显著的条件异方差性和波动性过程的非对称性,且还具有波动的集群性特征。     

基于GARCH模型的股票市场价格波动分析

在经济和金融研究中,波动性一直是一个非常重要的方面,中国股票市场建立至今,股市大起大落成为一种常态。本文建立了上证综合指数波动的GARCH模型,从实证角度说明了上证综合指数波动存在着波动集簇性,而GARCH模型可以很好的拟合股指波动情况,同时对股指收益率也能进行较好的预测,最后根据结论提出了一些对策建议。     

基于GARCH族模型的中国股市通信板块收益率波动分析

文章运用GARCH族模型分析中国沪深股市通信板块指数日收益率的波动特性,发现信息通信板块收益率是一个平稳过程,其波动具有＂聚集＂和＂非对称效应＂的特点。而GARCH（2,1）模型比GARCH（1,1）模型更好地消除了收益率序列的异方差,其中非对称模型TARCH（2,1）模型的拟合效果最好;GARCH-M模型和非对称的CARCH（1,1）模型都不适用于描述其收益率的波动特征。