CPI波动结构分解与短期预测研究——基于EEMD模型

正确理解CPI的结构特征和波动趋势,是宏观经济决策的重要依据之一。本文基于EEMD方法首先将CPI分解成6个频率不同的分量,再针对6个分量,建立相应的ARIMA预测模型,各分量预测值叠加作为EEMD-ARIMA方法的预测值。结果表明:①CPI可由代表着核心CPI的趋势项、重大事件带来的低频分量和短期不均衡导致的高频分量构成。趋势项和低频分量对CPI的影响强烈,而高频分量对CPI的影响较弱。②EEMD-ARIMA预测精度比未分解的ARIMA模型有较明显提高。     

基于ARIMA模型的饮品销售预测

本文旨在用时间序列分析方法对某上市饮品公司近六年的月度销售量数据进行分析预测.作者根据样本数据自身特点,采取了时间序列分析方法,并结合统计软件Eviews6运用ARIMA建模方法对该组时间序列进行分析,建立最优计量模型,得到了合理的预测结果.     

基于ARIMA模型对销售总额的预测分析

在自然科学和社会科学各研究领域中,大量决策问题都离不开预测,预测是决策的基础。近年来,ARIMA模型得到了极大的发展,越来越多的应用在各个领域的分析中,本文我们对某公司2000年1月到2008年12月的8种商品的销售总额的数据作为分析的样本进行分析,建模,预测未来三期的值。为了验证预测的准确性,我们去掉了后三期的数据,作为预测目标,以便对真实值与预测值进行有效的对比,结果预测基本准确,最终我们得出预测五期的增量。     

基于季节ARIMA模型的安徽省CPI预测

以安徽省CPI月度数据为样本数据,利用Eviews6.0软件,建立乘积季节预测模型,并用该模型预测安徽省未来三个月的CPI指数,结果比较真实、能准确地反映安徽省CPI变化趋势。     

基于ARIMA模型的浙江省GDP预测

应用ARIMA模型对浙江省1978年至2007年期间的GDP数据进行分析,从中找出浙江省GDP的规律,然后预测未来四年的GDP数据。与实际情况相比较得出拟合效果比较好,AKIMA模型比较适合短期预测。     

郑州居民消费价格指数基于ARMA模型的构建

本文利用近年来河南省郑州市居民消费价格指数(CPI)的月度数据,根据时间序列的平稳性特点判断模型平稳性,建立了拟合度较高的ARMA模型,并运用Eviews软件估计出其参数,建立模型并进行检验,根据所建立的模型,对郑州居民消费价格指数进行了简单的预测和分析。     

基于ARMA模型的我国居民消费价格指数预测

居民消费价格指数(CPI)是用于反映居民家庭一般购买的商品和服务物价变动情况的宏观经济指标,对展示经济运行的平稳性,表现经济发展的质量和效益有重要意义。因此本文建立了一个ARMA模型,选取我国2001年1月到2015年12月的CPI环比月度数据作为样本,运用R3.4.3软件对居民消费价格指数时间序列的自相关系数与偏相关系数进行统计,进行模型定价并估计出其参数,并对2016年1月至5月的居民消费价格指数进行预测。实证结果显示MA(2)模型能较好地拟合商品指数的动态路径,模型的预测值与实际观测值非常接近,表明ARMA模型在居民消费价格指数的预测中效果较好。通过ARMA模型合理预测我国的居民消费价格指数,能够对未来经济发展有初步的了解,为国家有关政策的制定提供理论支持。     

基于时间序列模型的基坑地表沉降预测分析

随着地铁建设的日新月异,地铁站深基坑降水工程是影响施工安全的关键环节,若降水不当可能会导致地表沉降和周围建筑物倾斜甚至坍塌。本文将对地铁站基坑开挖降水对周围地表影响进行分析,并结合某工程的实时监测数据,运用时间序列模型对基坑周围地表沉降进行模拟预测,结果表明预测值与监测值误差小于2.5%。因此,根据该预警结果可提前识别危险临界值,为地铁站基坑施工安全预警工作提供借鉴。     

基于ARMA模型的我国国内生产总值GDP的预测与分析

本文基于1995—2014年我国国内生产总值GDP的时间序列数据,先后通过平稳性检验及处理、自相关与偏自先关分析,并结合AIC准则定阶,建立模型ARMA(1,2);运用该模型对我国国内生产总值进行预测。     

基于时间序列模型的珠海市香洲区物流产业预测

如今,物流业对区域经济的发展日益重要。珠海市香洲区大力发展物流业,不仅能促进生产、拉动消费、吸纳大量就业人员,最终还能达到增强香洲区经济实力的目的。本文通过分析香洲区物流业的现状,并用时间序列模型预测香洲区的物流产业,以此来估计香洲区物流业的发展前景。     

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。     

基于先行指数与VAR模型对2014年CPI的预测

本文首先分析了2013年我国CPI走势特征及其产生原因,并给出影响2014年物价水平的若干因素,在此基础上利用物价先行合成指数和向量自回归(VAR)模型对2014年各月CPI的值做出预测,结果显示,2014年CPI将呈现先扬后抑态势,全年涨幅约为2.4%。     

基于百度搜索指数的CPI预测研究

在数字经济时代的背景下,高效地从大数据中提取有用信息用于预测,具有重要的理论意义和现实意义。基于高维宏观经济数据和百度搜索指数构建监督因子模型,分别利用缩放主成分分析（s-PCA）和偏最小二乘（PLS）提取因子预测我国的CPI。在此基础上,进一步利用LASSO筛选变量,对因子估计施加“双重监督”,考察“双重监督”因子模型的信息提取效率。实证结果表明：相比于无监督因子模型,监督因子模型对CPI及其“拐点”具有更强的预测能力;采用LASSO筛选变量的“双重监督”因子模型具有更高的信息提取效率,变量筛选能有效提升监督因子的预测能力;百度搜索指数对CPI具有显著的预测能力,可作为信息补充源为CPI预测提供额外的信息。     

四川省旅游消费的增长速度预测——基于时间序列模型

本文选用四川省2000年~2014年的年度数据为样本建立时间序列模型,利用SPSS软件对模型进行曲线估计,并对模型的拟合结果进行分析,得出模型适用于指数函数的结论。基于建模的结果,对四川省未来几年旅游消费的增长趋势进行预测,并对四川省旅游消费增长可能产生的影响提出对策与建议。     

基于ARIMA模型的居民消费价格指数的预测方法研究

本文根据时间序列相关知识,利用2000年1月到2010年12月的居民消费价格指数历史数据建立了一个ARIMA预测模型,分析2011年的居民消费价格指数的短期走势,对未来的政策提出了相关建议。     

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。     

基于时间序列模型的网络流量预测

本文提出一个利用季节性进行数据业务流量预测的时间序列预测模型。该模型的提出是基于数据业务流量呈现出强烈的季节性模式,这种模式会随着时间的推移而变化,并在总体上保持相对的稳定。实证证明我们提出的新方法比传统时间列模型在预测效率和精度上更为有效。     

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。