时间序列模型在股票价格预测中的应用

本文旨在以时间序列模型为基础,选择紫金矿业日收盘价、万科A日收盘价为研究对象,对上证指数在2008年~2011年的672个日收盘价数据采用SPSS和Eviews两种软件进行研究分析。在此,本文采用时间序列分析中的一种常见的模型:ARIMA模型进行相关的分析和预测,并对未来10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。     

线性与非线性单方程时间序列建模在黄金现货价格预测分析中的实证研究——基于ARMA模型及GARCH模型族

由于黄金现货价格受到诸多经济及政治因素的影响,其生成过程复杂,难以通过其影响因素的研究来对其进行预测分析。因此,本文试图从黄金价格本身的时间序列着手,试图利用线性的ARMA及非线性的GARCH模型族,利用单方程时间序列建模的方法对黄金现货价格进行预测分析。研究发现线性的ARMA模型和非线性的GARCH-M模型都能较好地进行对伦敦黄金现货价格进行预测,在研究的样本中,两者的向前一步预测误差分别为0.06%和-0.03%。GARCH-M模型的预测效果较好。此外,还通过使用GARCH模型族分析了伦敦黄金现货价格的信息不对称性、风险收益特征和对系统性冲击的反应,针对性地做出了结论和投资建议。     

基于时间序列模型的中国出口总额分析及预测

基于中国近20年来中国出口总额的月度数据,通过对数据特征进行的分析,采用了Holt-Winters滤波方法和ARIMA(0,1,1)模型对数据进行拟合,并对模型进行了相关检验,以此来考虑模型的可行性及拟合效果的优良性。最后对中国出口总额的月度数据进行了预测,结果显示Holt-Winters滤波方法和ARIMA(0,1,1)模型的预测平均相对误差率很小,说明时间序列模型在我国出口总额的预测中具有较好的实用价值。     

基于Box-Jenkins法的煤炭价格预测研究

Box—Jenkins法在国内和国外得到了广泛的运用,本文以秦皇岛煤炭市场的山西优混的周价格时间序列为研究对象,运用Box—Jenkins法,建立了短期煤炭价格的ARMA(121)模型,通过拟合与检验,证明模型的效果是较好的,并用之进行了短期煤炭价格的预测,结果也表明,该模型的预测结果是比较准确的,是合乎煤炭价格风险管理的基本要求的。     

基于ARIMA模型的我国木薯干进口发展预测研究

本文采用时间序列分析方法对我国1984—2007年木薯干进口量的数据进行分析,建立相应的时间序列模型。我们预留了2006—2007年的数据进行模型预测对比。通过预测对比,发现ARIMA模型的预测效果较好,可以用来对我国木薯干进口量进行预测。     

福建省城乡居民收入差距预测模型比较研究

本文选取福建省1981-2008年间的城乡收入差距值时间序列数据,建立四个时间序列模型进行比较分析,最终确定ARMA模型作为预测模型.并以2006年、2007年和2008年的数据作为检验数据检验该模型预测效果,进一步验证了其预测效果较优,最后利用该模型对福建省2011-2014年城乡收入差距值进行短期外推预测,并给出对策建议.     

股指期货期现套利交易与ARIMA模型构建

文章通过在ARIMA模型时间序列分析预测期现货价格的基础上,建立股指期货期现套利模型。以2011年5月23日至7月15日沪深300现货和IF1107期货合约真实交易数据为研究对象进行实证分析,结果表明ARIMA(3,1,3)模型很好的拟合了价格序列,并给出了期现套利交易策略实现无风险套利。     

基于ARIMA模型的武汉市居民价格消费指数研究

模型对时间序列的趋势有较好的拟合效果,介绍自回归移动平均模型的建模方法及Eviews实现。建立模型对1952年到2008年武汉市居民价格消费指数进行了拟合和研究,在三种不同的模型下,对和进行比较分析,选出了最优拟合模型。发现武汉市居民价格消费指数的波动具有记忆性,随着时间变化而增加。将ARIMA模型应用于武汉市居民历年CPI数据的分析与预测,得到较为满意的结果。     

期货对现货价格预测的作用——基于ARIMA模型的实证探讨

本文通过建立ARIMA模型和ARIMAX模型,以我国HS300指数为研究对象。在准确识别的基础上,实证检验了我国hs300指数的日内指数现货价格序列。通过ARIMAX模型的输入变量包含了IF8888指数期货价格序列,将指数期货价格信息反映到现货价格的预测过程中,同时与ARIMA模型作比较。研究发现,带指数期货价格序列输入变量的ARIMAX模型与不存在其他输入变量的ARIMA模型在相同的参数条件下,前者的拟合误差下降,预测精度显著提高。说明期货价格信息可以更好地预测现货指数价格。同时为了说明预测的可信性,本文选取期货交易所的官方数据。在数据的平稳性检验部分用了ADF检验来进行平稳性的检验和对d值的确定,在对p值和q值的确定上,使用了枚举法来进行最佳组合的选取,这些都保证了预测的精确性和可信性。     

基于神经网络的股票市场预测

本文将人工神经网络方法引入时间序列预测,针对股票市场这一非线性系统,运用神经网络,在历史数据时间序列的基础上,对股票市场的价格走势进行了理论、方法与模型的研究。本文利用RBF神经网络对上证综指进行了预测研究,获得了较好的预测效果。     

电网废旧物资价格评估机制及估值模型

废旧物资价格评估对国家电网公司电子商务平台集中竞价处置至关重要.在分析废旧物资估值特点的基础上,基于相关性分析、回归预测法、主成分分析法和时间序列分析,提出废旧物资评估价格机制和三种估值模型,并通过真实交易数据的案例来检验模型的应用效果,实验表明三种模型的评估效果优于传统方法,具有较高的应用价值.     

中国进出口总额的统计分析

本文中采用1977年至2012年我国的进出口总额年度数据,从时间序列的定义出发,运用统计学原理对我国进出口总额进行时间序列平稳性的检验。利用EViews软件对所采集的数据进行时间序列分析,建立模型,并对模型中的残差进行拟合,最终利用所建立的模型对2013-2015年我国进出口总额进行了预测分析。     

国内外成品油定价机制的实证研究

成品油定价机制具有复杂性,而且各因素间错综复杂。建立因变量为成品油价格,自变量为其他可量化影响因素的多元线性回归模型,得到目标函数并进行检验,模型拟合较好,对各影响因素做时间序列分析,预测今后成品油价格趋势,与实际吻合。以美国为例,通过建立多元回归模型、回归系数分析及显著性检验,找到影响国内外成品油价的基数因子和调控因子,提出国内成品油定价机制的优化方案。     

上海GDP的时间序列分析和预测

本文用ARIMA模型对上海市1952年到2007年GDP数据进行分析,并预测出未来一年的GDP数据。对所上海GDP数据进行基本趋势分析并检验数据的平稳性,对平稳处理后的时间序列构建ARIMA模型,最后用Ljung-box检验方法对所建立的模型进行相关性检验,对2008年的上海GDP进行的预测。     

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模型的农产品类股价预测与分析

股票作为有价证券的重要部分，能一定程度反映总体经济的发展。文章从不同频率的股价资料开始(日、周资料)，以单变量Box-Jenkins时间序列模型为预测方法，分别选取香梨股份、敦煌种业、冠农股份3支股票6年的收盘价作为标的，并以均方根误差、平均绝对值误差率作为样本外数据预测效果的衡量指标，同时检验高频率数据预测结果是否较佳。     

基于SARIMA-GARCH模型的CPI预测

CPI是一个滞后性的数据,但它在整个国民经济价格体系中具有重要的地位,它是进行经济分析和决策、价格总水平检测和调控及国民经济核算的重要指标,对CPI进行预测有利于政府宏观调控。本文基于我国近20多年来共324个月的CPI数据,应用时间序列分析中SARIMA模型和GARCH模型,进行分析拟合,得出了较为精确的拟合曲线,并应用该曲线对2014年1月至2015年3月共15个月的CPI进行预测,得到了较为理想的预测结果。     

不同时间窗下铁矿石期货价格预测精度研究——基于CNN-LSTM注意力模型的分析

利用时间窗提升铁矿石期货价格预测精度对铁矿石期货市场平稳发展具有重要意义。本文选取2013年10月至2021年12月铁矿石期货价格及同期相关数据,采用STL分解方法对铁矿石期货价格进行特征分析,构造基于自注意力机制的CNN-LSTM模型,预测铁矿石期货价格并进行对比分析。结果表明：将铁矿石期货季节性规律应用于时间窗可以提升铁矿石期货价格预测结果准确性。在4、7、30、365天时间窗下,最佳预测结果是4天时间窗。模型预测结果的平均绝对误差MAE值为11.5,相较于LSTM、LSTM-ATT、CNN-LSTM基准模型分别降低了32.70%、19.12%、22.28%。构建模型具有较好的泛化性,MAE在7天、30天、365天时间窗下均为最低。基于此,应关注价格的时间窗特征,完善铁矿石期货市场环境,推动铁矿石现货市场保供稳价。     

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。     

基于LSTM深度学习的大豆期货价格预测

面对越来越复杂的金融市场环境,以传统统计学和计量学为主的时间序列预测模型在发现序列中的长期依赖关系方面存在一定局限性,而深度学习中的长短期记忆(LSTM)网络有望克服这一问题。通过构造一个多层LSTM网络价格预测模型,使用中国2007—2019年大豆期货价格数据进行了实证研究。结果显示,参数调优对LSTM网络模型预测效果有着较大影响,其中影响较大的主要参数包括迭代次数、学习率、窗口大小和网络层数等;与ARIMA模型、MLP模型、SVR模型相比,LSTM网络模型的预测结果准确性更高,在拟合优度(R-2)上分别提高了1.064%、2.147%、1.674%。LSTM网络模型在价格预测方面的良好表现,为预测大豆期货价格提供了新思路。