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。     

我国社会消费品零售总额时间序列模型及预测

本文运用时间序列分析方法中的季节时间序列模型（SARIMA）,对我国社会消费品零售总额进行时间序列模型分析。分析结果显示,SARIMA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,且通过模型对社会消费品零售总额做了预测,该模型可以提供较为准确的短期预测效果。     

时间序列模型描述个体经济发展趋势的局限性及改进方法

趋势是经济时间序列最主要的特征之一。利用时间序列模型不仅能够分析经济序列的趋势，同时还可以进行预测。但利用时间序列模型对总体的经济趋势的估计不能用来描述个体的经济趋势。因此，研究描述个体经济趋势的改进方法是必要的。     

基于时间序列模型的我国中部地区国内生产总值预测分析

通过建立时间序列模型，对中部地区的湖北、湖南、河南、江西和安徽5省GDP进行预测，指出中部地区GDP发展趋势，并通过与全国GDP的比较，找出中部地区GDP的发展差距，并得出相关结论。     

建立1949年至今总人口数时间序列模型

根据国家统计局各年度人口统计汇总,对总人口数时间序列进行分析,建立了1949年至今总人口数时间序列模型,并利用所得模型对照2009年中国人口预测,检测该模型正确率.     

北京市人均GDP的时间序列分析及预测

人均GDP是具有重要经济意义的指标,它的增长具有一定的内在规律性,文章建立了北京市人均GDP的时间序列模型,分析研究了模型的稳定性和可外推性,预测了2005年～2010年北京市人均GDP的发展水平,说明北京市人均GDP具有一定的时间趋势。     

河北省旅游外汇收入时间序列建模及预测

本文在分析1984年至2011年河北省旅游外汇收入额年度数据的基础上,建立了旅游外汇收入额的ARMA(p,q)模型.首先针对序列的非平稳特征,对河北省旅游外汇收入额变量进行对数化处理,将时间序列的指数趋势转化为线性趋势,然后对序列继续进行差分处理,变成平稳序列,建立河北省旅游外汇收入时间序列的ARMA模型并对模型进行检验,最后将模型用于河北省旅游外汇收入的预测分析.实证结果表明:ARMA(1,1)模型提供了较准确的预测效果,可以用于未来的短期预测.     

基于时间序列模型的海南省城市化水平预测研究

海南城市化进程自建省后突飞猛进,但是目前国内外文献中涉及海南省城市化水平预测的研究并不多见。我们利用海南省的人口数据,以时间序列模型的方法来对海南省未来十年的城市化水平进行预测研究,目的在于为海南省城市发展战略的制定提供科学的理论支持。     

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SARIMA-GARCH模型的海南省月度CPI预测

稳定物价是政府市场调控的一个重要目标,因此把握CPI的宏观趋势具有一定的现实意义.本文依据海南省2000年1月至2015年12月月度CPI值,运用ARIMA季节模型进行拟合,考虑残差可能的ARCH效应,并对2016年1月至10月的CPI进行了预测.实证表明,ARIMA(2,1,2)(1,0,1)[12]模型能对海南省月度CPI起到较好的预测效果,对于政府政策制定调控市场具有一定的参考价值.     

基于模糊时间序列模型预测三亚旅游总收入

提出模糊时间序列预测的一种改进方法,重新研究杭州宋城主题公园旅游收入预测问题,历史数据的模拟预测时的AFER比应用GM（1,1）灰色模型预测时更小,因此就杭州宋城主题公园旅游收入预测问题的案例而言,模糊时间序列预测的一种改进方法比GM（1,1）灰色模型的预测精度要高。应用该方法研究三亚市旅游总收入预测问题,不仅进行历史数据模拟预测研究,还进行未知年数据的预测研究。该方法预测公式结果简洁,计算方便,历史模拟预测误差率较小,是一种可行的短期预测方法。     

中国人均GDP时间序列的实证分析与预测

本文结合1970～2009年我国的人均GDP数据,应用SAS软件进行分析,建立中国人均GDP的时间序列ARMA模型,并在此模型的基础上对我国2011～2013年人均GDP进行了短期预测,探讨经济发展趋势,深入分析这一指标对于反映我国经济发展历程、探讨经济增长规律、研究波动状况、制定相应的宏观调控政策有着十分重要的意义.     

基于时间序列的上证综合指数分析及预测

近年来,随着我国金融体系越发完善,机遇与风险并存,金融市场的潜在危机也日益显现,所以对股价的合理预测变得更为重要。鉴于此,选取时间序列作为模型,使用R语言作为实现的软件,先对序列进行平稳性检验和白噪声检验,计算出不同的模型的AIC值,最终选择ARIMA(2,2,0)作为报告使用模型,用时间序列回归来对上证综指进行拟合预测。     

居民消费价格指数的时间序列分析

社会经济现象往往受许多因素的影响,且这些因素之间又保持着错综复杂的联系,因而,运用结构式的因果模型进行分析和预测往往比较困难,而根据其自身的变动规律建立动态模型即时间序列分析则是一种行之有效的方法。对此,介绍了平稳时间序列分析的思想及方法,并以1995-2006年全国居民消费价格指数统计资料为依据,建立其时间序列模型。     

ARMA预测模型和平滑ARMA预测模型的比较研究——基于贵州省1950-2011年的年度CPI环比数据

本文基于贵州省CPI(居民消费价格指数)1950至2011年的年度环比数据进行分析预测,并用Eviews6.0软件完成建模过程。通过对两个模型预测效果的比较,得出结论,平滑ARMA模型的预测效果并没有一般的ARMA模型好,但是平滑ARMA模型可用于对比较短的时间序列的预测,通过平滑方法可以增加样本个数,从而使得本来不能够进行ARMA预测的序列可以用ARMA模型来预测。     

发电量的时间序列模型构建及实证分析

主要研究乘积季节模型在中国发电量预测中的应用,通过对中国发电量1992年1月至2009年12月共216个月份的月度资料来进行实证分析。首先采用差分方法对序列资料进行平稳化,然后进行模型定阶并估计其参数,建立一个中国发电量的乘积季节预测模型ARIMA（4,1,0）×（1,1,1）12。接着对模型进行诊断检验,结果都表明,用该乘积季节模型对中国发电量的拟合效果较好。最后,利用此模型对中国2008年发电量的趋势进行了预测。     

中国GDP赶超美国时间预测

国内生产总值常被公认为衡量国家经济状况的最佳指标。本文在分析中美两国原始GDP数据的基础上,建立了计量模型,并预测了中国GDP赶超美国GDP的时间。     

消费价格指数的时间序列分析

人们在从事经济活动的时候，往往会根据以往的经验和过去的实际情况而作出决策。那么过去的经济数据在其中就起到了重要的角色，我们可以通过分析以前的数据从中找到经济活动的发展规律，总结出更多的经验。那么，怎样从以往的数据去发掘这些信息，运用什么样的方法来分析以及这种分析方法能达到的效果也就成了我们最关心的问题。这里，就为大家简要的介绍一些建立在时间序列基础上的分析方法，主要是介绍怎样通过构建模型对经济数据反映出来的信息价值进行提取，使我们在从事经济活动的时候能够更有效、更准确地作出判断。     

我国房地产投资时序模型的建立与预测

房地产投资是我国固定资产投资的一项重要指标,科学预测我国房地产投资在未来几年的变化具有着十分重要的意义。本文对我国房地产自2000年到2010年这11年间的投资金额数据进行时间序列分析,通过建立AR模型,预测出了2011年到2012年我国房地产总体投资情况,具有一定的现实参考意义。     

双重上市公司A+H股价差时间序列描述与趋势预测

随着中国企业海外上市步伐的加快和海外上市公司纷纷“批量回归”，双重上市公司的股票价格差异不仅受到企业、政府和投资者的关注，也成为金融研究领域的一个新热点。以同时发行A股和H股的48家中国双重上市公司为样本，在对1997年至2007年间A＋H股价差时间序列进行分析的基础上，得出ARIMA（1，1，1）模型能够对双重上市公司股票价差进行很好的描述；而且，运用ARIMA模型对价差进行短期预测的效果较为理想。