基于ARIMA模型的比特币价格预测研究

比特币是一种由开源的P2P软件产生的电子货币,是一种网络虚拟货币,是目前世界上应用最广泛的加密电子货币。比特币的价格波动非常大,近期也是处于一个高波动期。由于比特币主要用作资产而非货币,比特币市场投机性强,波动性更大,同时,与其他投资市场相比,比特币市场效率低下。故对于比特币价格的预测与分析的研究具有重要意义。本文主要选用了2013年10月到2019年4月的比特币收盘价进行分析,采用了ARIMA模型,首先对原始数据的序列进行平稳性检验,数据不稳定时,对数据进行平稳化处理并进行单位根检验。序列平稳时,对比各参数,建立合理的ARIMA模型,同时,与自动生成的ARIMA模型进行比较,选择较为优良的模型进行价格的短期预测。     

基于时间序列ARIMA模型的人民币汇率的波动规律研究

本文依据我国汇率变动的现实情况,选取了2006年1月4日至2014年5月7日之间的美元兑人民币汇率数据进行汇率的波动规律研究。研究中采用了时间序列的分析方法并结合ARIMA模型进行实证研究,结果表明ARIMA（1,1,1）模型对美元兑人民币汇率的拟合程度最好,并以此模型对我国未来汇率的走势进行了预测。     

广西甘蔗价格的波动趋势及预测——基于ARIMA模型的时间序列分析

文章以1978-2013年广西甘蔗收购价格数据为基础,基于时间序列的分析方法,建立ARIMA(p,d,q)模型,对其进行分析、研究和预测,发现广西甘蔗收购价格呈周期性波动上升的趋势,根据波动趋势图预测随后的2014、2015年甘蔗价格开始进入到上行周期.针对广西甘蔗价格波动趋势与特点,从切实保护蔗农利益、制糖企业实现盈利、政府的定价决策和宏观调控三方面提出相关建议,以期达到稳定价格、促进蔗农增收、甘蔗产业可持续健康发展的目的.     

我国股票市场价格波动特征分析

随着我国股票市场的不断发展,其"波动特征如何"便成为一个十分重要的问题;本文采用从微观分析延伸至宏观的方法,即首先通过对个股价格波动特征进行分析,然后以此为基础来进一步阐述我国股票市场价格波动特征;分析的结果显示我国股票市场价格波动具有记忆性与永久性。     

北京市蔬菜价格波动及成因分析

近些年来蔬菜价格的剧烈波动引起了人们的密切关注。本文先分析了蔬菜价格变动特征,然后对北京市蔬菜价格变动的成因进行了实证分析。结果表明:(1)北京市蔬菜价格具有明显的季节波动特征,整体表现为冬季价格高、夏季价格低;(2)北京市工业增加值增速、北京市蔬菜产量对蔬菜价格变动产生显著的正向影响;(3)2020年新冠疫情因素对北京市蔬菜价格影响不明显,可能是因为疫情的影响主要是通过日度数据体现、不同种类的蔬菜受疫情影响程度有一定差异、我国对公共安全事件响应及时。建议完善对蔬菜生产的补贴政策,促进蔬菜产业供给侧结构性改革,提高产业抵御自然灾害的能力。     

ARIMA模型在我国全社会固定资产投资预测中的应用

投资是拉动经济增长的三驾马车之一,因此研究我国全社会固定资产投资对研究我国经济增长有着重要的现实意义。通过1980—2007年我国全社会固定资产投资的相关数据,运用统计学和计量经济学原理,从时间序列的定义出发,结合统计软件Eviews,运用ARMA建模方法,将ARIMA模型应用于我国历年全社会固定资产投资数据的分析与预测,建议政府抓住投资机遇,合理安排投资比例和投资金额,促进经济的健康发展。     

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。     

基于ARIMA模型的我国人口增长的分析与预测

运用ARIMA模型对我国1949-2009年的人口总数进行了分析与预测,得出AR IMA （2,2,1）模型可以对我国的人口总数作短期预测的结论。     

我国GDP时间序列的模型建立与实证分析

本文利用统计软件对我国1987年到2012年实际GDP时间序列数据进行了分析,解释趋势性,利用PP检验,检验我国GDP序列的平稳性,并建立我国GDP对数序列的ARIMA模型,得到我国GDP内在的规律性,可以用来做我国GDP时间序列的拟合和预测。     

基于ARIMA模型的我国GDP分析预测

改革开放后,中国走上市：场经济道路,与以往的计划经济相比,国内生产总值的计量应该以改革开放1978年为分水岭,GDP经济模型的建立应当以此为计量起点,做出分析和预测。基于Box—Jenkins（博克斯一詹金斯）方法的时间序列分析技术,对我国1978--2008年的年度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模型,通过模型对我国2007—2011年度的GDP进行了预测。模型实证分析的结果表明：在GDP时间序列分析建模与预测方面,Box—Jenkins方法及其ARIMA模型是一种精度较高且切实有效的方法模型。     

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。     

关于我国人口总数的ARIMA模型

时间序列分析是预测动态数据的一种重要方法。本文利用时间序列分析方法研究历年我国人口总数的统计规律性,对其建立ARIMA模型,并进一步对其预测。     

基于ARIMA的多晶硅组件价格预测

本文依据北极星光伏商务通网站多晶硅组件价格相关数据,采用时间序列分析法,对2012年4月20日至9月20日多晶硅组件价格周数据进行了分析。通过对数据的平稳性检验、模型的确认、模型检验等综合分析,建立了ARIMA(0,2,4)时间序列模型,对预留最后3周的数据进行预测。预测结果表明,实际值与预测值之间的绝对误差均在1.43%以内,误差率均在2.46%内,该模型有较好的短期预测效果,能较好地模拟并预测多晶硅组件价格变化的趋势,为光伏企业产品价格的准确预测提供了重要方法。     

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。     

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。     

基于乘积季节模型的我国流通中现金预测

文章基于2000年1月至2019年6月我国流通中现金(M0)供应量期末值数据,建立ARIMA(1,1,2)×((1,3),1,3)_(12)乘积季节模型对其进行实证分析,平均相对误差为2.62%,且模型R~2为94.95%;并利用该模型对2019年我国流通中现金进行预测,为我国该年经济发展前景提供一定的参考依据。     

时间序列分析与汇率预测

在简要介绍汇率预测和时间序列模型的基础上,使用人民币/欧元的日汇率值进行实证研究,建立相应的ARIMA模型并进行预测和评价,进而描述人民币/欧元汇率的变动趋势。     

湖北省全社会固定资产投资时间序列分析

概述湖北省全社会固定资产投资的现状,对其1990-2006年的数据进行时间序列分析,从而构建ARIMA(2,1,2)模型进行预测。     

我国豆粕价格周期性波动及短期预测——基于174个月度价格数据的实证分析

豆粕的价格波动会影响下游养殖业市场的稳定。本文运用H-P滤波法分析2000年1月至2014年6月我国豆粕价格变动趋势,并从"供给和需求"角度对其变动原因进行分析,最后构建ARIMA模型对2014年下半年豆粕价格进行预测。结果表明,近年来我国豆粕价格呈现出短期周期性波动、长期上升的趋势,并将继续保持该趋势。周期内部波动幅度不稳定,影响因素也较为复杂。豆粕价格在每个年度内都会经历"上涨-波峰-下跌-波谷"的变化趋势,年度最高价格一般发生在每年的9-11月份。本文根据分析和预测结果提出了相关建议。     

基于ARIMA模型的澳门本地生产总值未来走势预测

澳门赌收持续下跌已经有一年多了,经济前景的不明朗,对各行业的负面影响开始浮现。在种种不利因素的影响下,澳门政府需及时调整相对应的宏观经济策略,制定正确的经济发展策略,有效地预测并分析澳门未来GDP走势的整体情况。本文基于时间序列的分析方法对澳门本地生产值总值(GDP)进行建模分析,选择最佳的ARIMA模型对资料进行拟合。通过一系列的实证分析,结果表明ARIMA模型能够有效地预测澳门GDP的走势状况。