基于ARIMA模型的内蒙古居民消费价格指数实证分析

消费价格指数(CPI)是以与居民生活有关的产品及劳务价格统计出来的物价变动宏观经济指标。运用EVIEWS软件,选择2005年1月至2012年12月内蒙古消费价格指数的月度数据,构建自回归求和移动平均ARIMA(p,d,q)时间序列模型,分析内蒙古消费价格指数随着时间推移的变化规律,同时对未来CPI的走势进行预测,为有效实施物价调控政策提供了数量依据。     

基于ARIMA与GARCH模型的国际油价预测比较分析

在分析影响油价波动因素的基础上,利用1986年1月至2010年12月的WTI国际原油价格月度数据,分别建立ARIMA和GARCH模型对油价进行预测。并通过对2011年1月至2012年4月WTI原油价格进行外推预测,检验模型的预测效果。比较分析发现,在短期预测中,ARIMA和GARCH模型对油价的预测均比较准确,但当油价由于受到重大事件的影响而有较大波动时,模型的预测精度下降;在长期预测中,GARCH模型的预测效果优于ARIMA模型;整体来看,GARCH模型预测的精度高于ARIMA模型。因此,在国际油价预测中,用GARCH模型是比较合适的。     

基于SARIMA模型的中国居民消费价格指数预测

居民消费价格指数(CPI)是宏观经济分析以及价格水平监测和调控的重要指标。利用2001年1月至2013年10月的以2001年1月为基期的定基比月度数据,运用Eviews6.0软件建立SARIMA模型,并进行CPI短期预测,根据预测结果提出相关政策建议。实证分析证明SARIMA模型可以很好地拟合定基比数据,预测精度极高。     

基于ARIMA模型对我国黄金期货价格分析与预测

本文基于ARIMA模型,对黄金期货建立了价格预测模型,并对2016年1月18日至2017年1月10日内共241个交易日的上海期货交易所的黄金期货的结算价数据的变动规律和短期趋势进行了预测.实证结果表明:ARIMA模型可以对黄金期货价格走势做出短期预测,能够大体上反映出黄金期货价格的波动情况,并为投资者以及企业在进行相关决策时提供有价值的参考.然而预测误差随着预测时间的增加而变大.     

新冠疫情对CPI短期影响分析

估计、衡量当前的新冠疫情对我国CPI走势的影响,有助于把握CPI发展趋势,有助于制定宏观经济决策.本文从内在动力机制角度建立ARIMA模型,对我国2020年的CPI走势进行预测,然后将预测值与实际值进行对比,发现实际值高于预测值,表明新冠疫情导致CPI有所上升.在疫情导致居民收入下降的前提下,CPI上升进一步降低居民生活水平,宏观经济决策时应考虑这一变化.     

基于网络新闻的CPI预测混合模型构建研究

本文建立在基于计量经济学的模型——ARIMA模型的基础上,通过提取经济相关的信息对CPI波动的影响因素,对SARIMA模型无法解释的误差使用神经网络BPNN进行建模,用网络新闻信息来拟合时间序列得到残差,以修正CPI的拟合效果.考虑网络新闻中包含的主观信息与客观信息并对其进行情感分析与文本分析,建立TS-SARIMA混合模型用以预测CPI值.     

基于季节ARIMA模型的国有粮食企业收购预测分析

研究国有粮食企业的购销现状,对国有粮食企业的购销量进行分析和预测,有利于深刻认识国有粮食企业的市场运行规律,更为充分地保障国家粮食安全。本文利用Box-Jenkins法中的季节ARIMA模型,对2005年1月—2009年4月中国国有粮食企业收购量数据序列进行分析,建立了国有粮食企业的季节ARIMA模型。检验结果表明,季节ARIMA模型对原始数据序列有着较好的拟合效果,模型的预测效果良好,可用于短期内国有粮食企业收购量的预测。     

基于SARIMA模型的我国通货膨胀问题研究

通货膨胀已经成为国内外学者及政府越来越关注的问题.本文在国内外学者对通货膨胀预测研究的基础上,根据我国2000年1月到2009年8月的CPI月度数据,运用SARIMA模型,对我国通货膨胀进行分析和短期预测.实证结果表明,运用SARIMA(1,1,12)模型为我国的通货膨胀提供了较好的预测.     

上证指数的预测分析——基于ARIMA模型

本文通过以2013年11月3日至2016年11月18日上证指数的收盘价作为样本容量,构建ARIMA模型对时间序列进行预测分析.通过上证指数的时间序列图来判断其序列的平稳性,并根据单位根检验的结果进行差分,由此判断阶数,构建模型ARIMA(p,d,q),并对上证指数收盘价进行短期预测.通过研究分析,发现此模型能够作为金融投资的一个非常重要的工具,它具有良好的短期预测效果.     

基于时间序列ARIMA模型的人民币汇率走势预测

2010年6月19日,央行为进一步增强人民币汇率弹性,推出第二次人民币汇率形成机制改革。本文旨在研究第二次汇改后的人民币兑美元汇率的波动情况。本文为探究时间序列长度对预测准确性的影响,使用R软件选择出一个较为适用的模型即ARIMA模型,使用2010年6月19日至2011年7月19日的的人民币兑美元中间价进行拟合,并对未来半月汇率进行预测。同时,为对比长短与样本对预测精度的影响,又使用2011年1月1日至7月19日的交易日汇率数据进行预测。对比发现两中ARIMA模型对汇率预测均有效,而短样本预测精度较长样本更优。据进行预测。对比发现两中ARIMA模型对汇率预测均有效,而短样本预测精度较长样本更优。     

基于传递函数模型的白银价格分析与预测

本文基于纽约商业交易所(COMEX)公布的2008年1月至2015年4月白银和黄金月收盘价数据,建立反映黄金与白银价格动态变化的传递函数模型,并与2015年5月至2016年2月的真实值进行比较分析,结果显示,传递函数模型的预测效果明显优越于回归模型和ARIMA模型,最后用传递函数模型对2016年2月之后10期白银月末收盘价进行预测,为白银产业链条企业及相关投资者提供参考与决策.     

湖北省社会消费品零售总额ARIMA模型与预测

本文首先根据1999年1月至2008年12月湖北省社会消费品零售总额数据建立了时间序列分析模型:ARIMA(2,1,1)(1,1,1)12,并利用该模型对2009和2010年的社会消费品零售总额进行了预测和分析.     

基于RBF神经网络的GDP时间序列预测模型研究

对GDP进行高精度的分析预测,对制定经济发展战略、规划年度计划以及各种宏观经济政策,具有重要的理论与现实意义.本文采用RBF神经网络作为工具,建立基于RBF神经网络的GDP时间序列预测模型,并与ARIMA模型进行对比,对上海市22年的GDP数据进行了仿真实验.实验表明,ARIMA模型对上海市GDP数据进行预测的精度仅为91.8754％,而本文提出的RBF_TSF模型的预测精度则高达95.0360％.这表明本文提出的RBF TSF比ARIMA模型在GDP时间序列预测上具有更高的预测精度.同时该模型收敛迅速,具有很强的实用价值.     

基于ARIMA模型的郑州高新技术开发区从业人员数量预测

ARIMA模型是一种常用的随机时间序列模型,主要用于短期预测,长期预测精度较低.本文利用SPSS 21.0试建立3个ARIMA模型,通过对比分析确立使用ARIMA(2,1,1)模型预测2016—2018年郑州市高新技术开发区从业人员的数量.模型拟合效果很好,预测结果可作为政府政策的制定、 相关企业人力的调整及个人未来求职规划的一个参考.     

海南省旅游景气指数构建研究

针对海南省旅游市场发展实际和旅游市场自身特点,利用所搜集到的指标,采用相关分析法筛选出先行、一致和滞后指标,再用合成指数方法构建并估算出海南省旅游市场景气指数,以此对1999—2012年海南省旅游景气指数进行分析和预测,以期为企业和政府管理机构准确判断海南省旅游产业的发展动向、制定相关调控政策提供依据。     

基于时间序列趋势外推的CPI预测

CPI与人们的生活息息相关。随着近年来CPI的不断上涨,人们越来越关注它的未来增长趋势。基于此,文章提出了如何预测CPI的问题。以2001年1月至2009年12月我国CPI定基指数为样本,在分析其波动特征及差异的基础上,通过温特模型将其分解为季节和趋势波动。得出了我国CPI定基指数有一定的趋势和明显的季节特征的结论,并在此基础上对2010年和2011年的CPI作出预测。将预测值与实际值比较,预测值较为准确。     

CPI的SARIMA模型与X-12季节调整模型对比预测分析

基于SARIMA模型及X-12-ARIMA模型对我国1995年1月至2014年6月的居民消费价格指数月度数据进行预测分析。利用Eviews 6.0对CPI数据的变化趋势及季节性进行验证,结果表明X-12季节调整模型相对于SARIMA模型更有效,预测值与实际值的估计误差控制较好。     

基于SARIMA模型的我国通货膨胀问题研究

通货膨胀已经成为国内外学者及政府越来越关注的问题。本文在国内外学者对通货膨胀预测研究的基础上，根据我国2000年1月到2009年8月的CPI月度数据，运用SARIMA模型，对我国通货膨胀进行分析和短期预测。实证结果表明，运用SARIMA（1，1，12）模型为我国的通货膨胀提供了较好的预测。     

宁夏银川市房屋销售价格指数未来走势的预测分析——基于ARIMA模型

本文选取了宁夏银川市2001年1月到2011年9月的房屋销售价格指数季度数据,建立ARIMA(p,d,q)时间序列模型,对未来一段时问的房屋销售价格指数进行了预测.实证分析结果表明,所选模型能较为精确地预测银川市房价走势情况,预测结果是比较合理和可靠的.     

基于季节性ARIMA模型的城镇固定资产投资时间序列的计量分析

本文综合运用了季节性ARIMA模型,对我国城镇固定资产投资额进行了分析,建立了ARIMA(1,1,2)×(0,1,0)11模型,估计了相应参数.假设检验表明所得参数均显著不为零.最后对2017年2月-2017年7月的全国城镇固定资产投资额进行了预测和检验,预测结果比较准确.