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模型分析四川省GDP

通过选取1978年至2018年四川省国内生产总值的相关数据,运用计量经济软件Eview8.0、SPSS25.0对选取的时间序列数据进行ARIMA模型与残差自回归模型的建立。在模型均通过检验的基础上,对AIC等信息准则的综合比较,最终确定建立ARIMA(4,2,0)最优模型来对四川省GDP进行分析与预测。     

人民币汇率预测及方法选择——基于ARIMA与GARCH模型

自2005年7月人民币汇率改革以来,人民币持续升值,已影响到经济生活的各个方面,正确分析与预测汇价及其波动对各经济主体金融政策与投融资决策的制定有着十分重要的意义。本文选取国内外学者较为认同的ARIMA和GARCH模型对人民币美元汇率建模,并对其预测误差进行分析,结果表明在对人民币兑美元中间价的预测中,GARCH模型预测相对ARIMA模型更优。     

ARIMA模型在股票价格预测中的应用

文章研究了ARIMA模型及其应用,以三一重工(600031)的120个股票价格数据为例,给出了时间序列模型预测的建模过程。通过真实值与预测值的比较,验证了模型的可靠性,该模型适用于短期预测,对长期预测效果不佳,为实际应用中,对短期预测股价,提供了参考的依据。     

ARIMA模型在中国人均煤炭消费预测中的应用

本文依据我国人均煤炭消费量的数据,借助Eviews软件,比较分析建立了最优拟合模型ARIMA(2,2,2)。利用该模型进行预测,与实际值比较可知预测精度较高,最后利用模型ARIMA(2,2,2)预测了未来几年我国人均煤炭消费量。     

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。     

基于时间序列分析的黔西南州经济增长分析与预测--基于1978-2007年的黔西南州宏观经济数据

时间序列的预测方法有着广泛的应用背景,在解决经济发展,金融市场动态,气象预报和水文预报等领域的预测问题时,都可以利用时间序列的预测方法。结合黔西南的实际州情,本文采用EVIEWS统计软件及时间序列分析法对1978—2007年的黔西南州宏观经济数据进行了系统分析,构建了GDP序列的ARIMA模型,响应变量为GDP序列的ADL模型,对投资、消费对黔西南州经济增长的相互作用进行了实证研究,并预测黔西南州未来8年经济增长的变化趋势,相比之下组合模型在拟合和预测效果具有较高的可靠性、准确性和稳定性。通过对黔西南州的宏观经济动态模型ADL模型,我们掌握黔西南州的宏观经济系统的主要特征及其运行机制,GDP与投资、消费互相影响,互相促进;通过预测,我们了解和掌握了经济增长的变化趋势,能有效地对政策制定进行合理化建议。     

对中国国际入境旅游市场的滚动样本预测——基于季节效应ARIMA模型

入境旅游市场的发展能够促进我国经济社会的可持续发展,入境客流量的精确预测和分析对旅游规划与管理具有重要意义.鉴于现有文献大多采用年度数据进行预测等问题,采用新的包含季节变量的ARIMA模型对6个我国主要入境旅游客源国1990～2006年间的数据进行回归分析,并采用滚动样本方法进行样本外动态预测,回归模型以及预测结果均表明该模型能够很好地拟合数据,对旅游预测可行且十分有效.     

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ARIMA模型的四川省GDP分析与预测

文章通过选取四川省1978—2022年的国内生产总值数据，共45个观测值，运用Python软件对数据进行分析检验，最终创建了ARIMA（2,1,0）模型，并使用此模型预测了四川省未来五年即2023—2027年的地区生产总值。结果显示，四川省地区生产总值的预测值与其真实值拟合曲线基本处于同一位置，表明该模型的预测成果比较好。根据这个模型，预测了四川省2023—2027年五年的GDP分别为61 334.47亿元、64 781.56亿元、69 064.03亿元、72 802.48亿元、76 960.68亿元。通过预测结果可以看出,四川省GDP增速将继续保持在较高水平。为促进四川省经济增长，提出如下建议：（1）明确重点发展产业；（2）明确重点发展区域；（3）注重统筹，协调发展；（4）军民融合。     

基于ARIMA模型的武汉市就业状况预测

文章采用求和自回归移动平均模型(ARIMA),对武汉市1950-2005年的从业人员人数的数据进行时间序列分析,结果显示,ARIMA(2,1,2)模型提供了较准确的预测结果,可用于未来的预测,就此可为武汉市社会保障部门提供可靠的参考依据.     

基于BP神经网络技术的GDP预测方法

在一般的经济预测中,通常采用回归分析方法建立模型对GDP进行拟合,但由于经济系统的复杂性,许多回归模型尤其是线性回归模型难以达到要求的精度。本文采用BP神经网络方法建模,利用其自学习和非线性的突出特点,对GDP进行研究,并得到了对2009年我GDP较为满意的预测结果。     

基于ARIMA模型对县域经济中GDP预测研究及其应用——以霍邱县为例

县域经济是我国经济的基本单元,也是我国经济增长的制约因素,在我国国民经济发展中具有举足轻重的作用.本文对安徽省霍邱县1995-2009年地区生产总值的发展变化情况进行了实证分析,发现ARIMA模型的预测效果比较显著,预测结果将为相关部门的工作、规划提供一定依据.     

虑及结构突变的我国能源需求模型研究

考虑到外部冲击有可能导致能源需求和经济增长之间关系的变化,本文基于1953--2000年的数据检测了我国能源需求和GDP之间关系发生结构突变的时机;在此基础上,运用协整技术和误差修正模型分析了我国能源需求和GDP之间的长期均衡和短期动态的关系,建立了我国能源需求模型,并将其与不考虑结构突变的能源需求模型进行比较。比较结果表明：本文所提模型更能准确反映建模样本期间能源需求和GDP之间的关系,具有更高的预测能力。     

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.     

ARIMA模型在陕西省城镇居民人均消费预测中的应用

陕西城镇居民人均消费支出是一组依赖于时间变化的随机变量,可用ARIMA模型予以近似描述。运用1980—2007年陕西城镇居民人均消费支出数据建立了ARIMA（4,1,4）模型,其预测结果通过了检验。预测结果为各级政府提出扩大城镇消费支出的政策提供了科学依据。     

基于ARIMA与季节指数组合模型的居民储蓄存款预测

建立了预测居民储蓄存款的ARIMA模型、季节指数预测模型及两者的组合优化模型,分别对2008—2014年上半年的居民储蓄存款数据进行拟合。结果表明,把ARIMA模型与季节指数预测模型进行组合建立优化模型的拟合更为精确,并且预测2015年末居民储蓄存款余额达525475.82亿元,希望能为相关决策部门提供科学依据。     

基于ARIMA模型的收盘价预测分析

本文旨在以时间序列模型为基础,选择爱尔眼科收盘价为研究对象,对其在2009年10月30日-2015年12.31日的除去部分缺失值后的1493个日收盘价数据采用R软件进行研究分析.在此,本文采用时间序列分析中的一种常见ARIMA模型进行相关的分析和预测,并对未来5天的日收盘价做短期预测.通过研究分析可知计算所得的平均相对误差范围均达到要求,则采用ARIMA 模型做股票价格预测是可行的.     

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.     

中国宏观经济总量的实时预报与短期预测——基于混频数据预测模型的实证研究

季度GDP的走势与波动不仅会影响政府的财政收支、企业的盈利和财务状况,甚至还会影响家庭和个人的收入与支出,是宏观经济总量预报、预测与分析的重中之重。传统的宏观经济总量预测模型是基于同频数据进行的,高频和超高频数据必需处理为低频数据,这不仅忽略了高频数据信息的变化,还影响了模型预报和预测的及时性,降低了模型的预测精度。本文将混合数据抽样模型(MIDAS)用于中国季度GDP的预报和预测,实证研究表明,出口是造成我国金融危机时期经济增长减速的主要因素,MIDAS模型在中国宏观经济总量的短期预测方面具有精确性的比较优势,在实时预报方面具有显著的可行性和时效性。