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。     

存贷款时间序列指标数据预测方法比较研究--基于甘南州数据的预测实证

文章以2010年1月到2015年9月的甘南州存贷款历史数据为样本，利用时间序列预测理论中的平滑预测法与线性趋势预测法相结合进行了系统研究，构建时间序列模型对未来甘南州存贷款数据进行预测，并通过实证研究及结果对比分析论证了模型的可行性，得出用移动平均法模型预测存贷款数据更为接近实际观测指标，能够比较准确的反映出甘南州存贷款增长趋势。     

上海锌期货价格的组合预测分析

本文利用锌期货价格的历史信息和上海锌的现货价、伦敦锌期货价格等分析预测上海锌期货价格。针对单一模型存在预测误差大的问题,本文结合时间序列ARIMA模型、回归模型及组合模型来分析预测锌收盘价,结果发现组合预测模型的精度高于单一模型的分析,即用组合预测模型来预测锌期货价格是一种相对可取的方法,可以为投资者和期货经纪公司提供一定的参考价值。     

世界上网人口与电子商务交易额预测

电子商务交易额预测是电子商务发展预测中的一项重要研究课题。电子商务交易额的增长主要与因特网上网人数及网上人均交易额的增长相关。本文在广泛收集有关数据的基础上,参考国内外有关研究报告,利用1985-2011年世界上网人口以及1995-2011年电子商务交易额的时间序列分别对数据进行平稳化处理、模型识别、参数估计,建立时间序列模型,并对模型进行检验,确定较适合的自回归移动平均模型。利用该模型对2009-2011年数据分别做出计算值,并与实际值比较,结果表明相对误差均在5%之内,预测模型良好,继续利用模型对世界未来几年因特网上网用户数进行了预测,最后完成了电子商务网上交易额的近期发展预测。     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。     

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。     

中国转型期收入差距与犯罪率的关系

本文利用国家层面的时间序列数据,对1978～2014年间国内收入差距、经济发展水平、城市化、失业率、贫困率、社会保障等经济因素和特殊的国家政策因素对犯罪率的影响进行了实证研究,结果发现全国、城市内部、农村内部的收入差距对犯罪率产生了显著的正向影响,城市化进程、失业、贫困等经济现象也提高了中国的犯罪率,而经济增长和刑事严惩则能够有效地减少犯罪率。     

时间序列分析在我国GDP预测中的应用

GDP是反映一国经济增长、经济规模、人均经济发展水平、经济结构和价格总水平变化的一个基础性指标,而且也为国家和地区在部署战略方针和制定宏观经济政策上提供了一种参考和依据。改革开放后,中国的经济实力不断提高,GDP连年增长,并呈现一定规律。如果可以准确地预测未来中国之后几年的GDP,将为国家的宏观调控工作提供巨大帮助。本文基于时间序列分析理论,以我国1986年~2016年国内生产总值为基础,利用EViews8.0软件,对数据进行拟合分析,建立模型,并利用所建模型对我国未来三年的GDP作出预测。     

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。     

基于ARIMA-GARCH模型的黄金价格走势研究

研究黄金价格走势具有重要的意义,本文以1971年1月至2012年12月的伦敦黄金交易市场下午定盘价格为基础,利用时间序列的相关理论,建立了ARIMA-GARCH模型,对黄金价格走势进行拟合实证。并进行了样本外区间预测检验,检验结果表明该模型可以较好的刻画黄金价格的动态走势,为更好的进行黄金价格预测,为政府决策和投资者理财提供参考。     

基于ARIMA-GARCH模型的黄金价格走势研究

研究黄金价格走势具有重要的意义,本文以1971年1月至2012年12月的伦敦黄金交易市场下午定盘价格为基础,利用时间序列的相关理论,建立了ARIMA-GARCH模型,对黄金价格走势进行拟合实证.并进行了样本外区间预测检验,检验结果表明该模型可以较好的刻画黄金价格的动态走势,为更好的进行黄金价格预测,为政府决策和投资者理财提供参考.     

企业价值评估中的定量预测模型实证分析

在采用收益途径对企业价值评估中，对企业未来发展有关情况进行分析和运用数量模型对其相关参数进行预测不仅是其重要的工作之一，也是该评估方法的技术关键。在该评估方法中，收益额是重要的预测参数之一，对其预测时，需要在定性分析的基础上，采用合适的数量模型分别对其中的收入、成本、费用等内容进行具体测算。常见的计量模型主要有：时间序列模型、单方程回归模型，灰色预测模型，神经网络模型以及组合预测模型等，本文选择其中的时间序列模型（固定时间序列和随机时间序列）、灰色预测模型和神经网络模型分别对某航运公司1994-2008年的收入进行具体预测和检验，并将其各自的预测结果进行分析和比较。     

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。     

基于ARIMA模型下的时间序列分析与预测——以江苏省社会消费品零售总额为例

大多数的时间序列存在着惯性,或者说具有迟缓性。通过对这种惯性的分析,可以由时间序列的当前值对其未来值进行估计。本文以1949年到2004年江苏省社会消费品零售总额数据为研究对象,将这些数据平稳化并做分析,发现ARIMA(1,1,2)模型能比较好的对江苏省社会消费品零售总额进行市时间序列分析和预测,。     

居民消费价格指数的时间序列模型分析

居民消费价格指数能够反映价格变动趋势和程度,反映通货膨胀水平,在现代社会经济中占有极为重要的地位,也越来越受到社会的重视和关注.研究居民消费价格指数的发展变化特征和未来短期内的发展趋势,把握居民消费价格指数发展变化的动态特征,有利于有针对性的制定政策措施,维持物价稳定,促进经济的健康发展和社会稳定.本文通过对国家统计局公布的过去20年居民消费价格指数的已有数据,利用时间序列的方法建立ARIMA模型进行分析,从中选出预测精度相对较高的模型,并对我国未来一段时间内的居民消费价格指数水平进行了预测.     

基于ARIMA模型下的时间序列分析与预测——以江苏省社会消费品零售总额为例

大多数的时间序列存在着惯性,或者说具有迟缓性。通过对这种惯性的分析,可以由时间序列的当前值对其未来值进行估计。本文以1949年到2004年江苏省社会消费品零售总额数据为研究对象,将这些数据平稳化并做分析,发现ARIMA(1,1,2)模型能比较好的对江苏省社会消费品零售总额进行市时间序列分析和预测,。     

天津市金融发展与国际贸易——基于四个模型的预测分析

金融发展和国际贸易有着密切的联系,并且对于国家或者城市的发展都起着重要作用。同时两者并非孤立,其相互之间还存在着一定的联系。本文基于简单OLS、时间序列、ECM和VAR模型对天津市金融发展和出口贸易进行预测,发现时间序列模型和ECM模型两个预测误差最小的模型,也是作者认为比较合理的模型。     

广州市城市化水平及其相关影响因素分析

城市化是人类生产与生活方式由农村型向城市型转化的历史过程,主要表现为农村人口转化为城市人口及城市不断发展完善的过程。本文分别依据城市化水平综合指数测量广州市城市化水平,并对其相关影响因素进行分析。     

我国社会消费品零售总额的预测与分析

社会消费品零售总额是衡量人们消费水平的重要指标．也是国民经济体系中的一个重要指标。本文运用时间序列分析方法中的季节时间序列模型（SARIMA）．对我国2002年一2011年的社会消费品零售总额进行时间序列模型分析。且通过模型对2012年社会消费品零售总额做了预测,通过和2012年的实际数据比价发现．误差较小．SAILIMA模型较好地消除了时间序列的季节因素影响和趋势的变动,该模型可以提供较为准确的短期预测效果。