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。     

卷烟单规格月度销量的时间序列预测方法研究

基于回归模型、指数平滑模型、时间序列分解模型、季节ARIMA模型和X13-A-S方法对某省玉溪(软)卷烟2015年1月到2020年12月共72个月的月度销量进行预测，并对预测结果进行检验。在销量最高的1月，预测结果的差异最大，在销量最低的12月，预测结果的差异最小。2020年1月至10月的实际销量为49780.78箱，预测最为接近的是季节ARIMA模型，其次是X13-A-S方法，预测差距最大的是时间序列分解法。在平均相对误差上，X13-A-S方法的平均相对误差最小，为8.57%,季节ARIMA模型次之，为10.43%。回归分析方法的标准误差最小。在销量均值的预测上，季节ARIMA模型和X13-A-S方法预测的绝对误差和相对误差较低，可以作为卷烟月度销量的通用方法。     

组合预测模型在股指短期预测中的应用——以上证综合指数为例的实证分析

本文分析了自回归移动平均模型(ARIMA)与BP神经网络模型在预测方面的特性和模型各自的优缺点,在此基础上尝试建立了ARIMA和BP神经网络的股指组合预测模型。ARIMA与BP神经网络组合使用的基本原理是股指时间序列数据可分解为线性部分和非线性残差部分。本文以上证综合指数为例,首先采用ARIMA预测上证综合指数的线性变化趋势,然后采用BP神经网络对上证综合指数的非线性趋势进行拟合,最后整合两种模型的预测结果。仿真结果表明:组合模型提高了对上证综合指数的预测精度,证实了组合模型在股指预测方面的有效性。     

基于组合模型的江苏省居民用电量预测分析

研究利用时间序列基本分析方法ARIMA模型分析法、指数平滑ETS模型和神经网络自回归模型对江苏省居民每月用电量进行数据分析、处理、拟合、检验及预测,以2004年1月至2017年12月用电计量数据作为分析样本,使用R软件对该时间序列进行建模。对给出的数据建立ARIMA模型、ETS模型和NNAR神经网络自回归模型,接着利用MAE、RMSE、MAPE三个评价指标来衡量模型的优良度。尝试通过组合模型对2018年江苏省居民12个月的用电量进行预测,与实际值进行对比验证,发现权重模型的误差最小,选择作为最终预测模型。最后得出结论,组合模型的预测效果要优于非组合模型。     

基于ARIMA模型对股票和指数预测结果的简单比较分析

ARIMA模型可应用于预测平稳时间序列,且预测效果较好。本文选取2017年10月9日到2018年9月25日的240个收盘价和收盘指数作为样本,运用ARIMA模型对2018年9月26日到2018年10月9日的恒瑞医药股价和深圳综合指数做出预测,并比较模型对于两者的预测效果。     

沪深A股收盘指数的协整性分析

深入了解中国资本市场之间的联动关系对于决策的制定具有重要作用。本文通过对上证A股市场和深证A股市场之间关系的实证来分析,对两市指数时间序列的单位根检验表明两个序列都是一阶单整的,进而应用ECM模型的结果则表明两市指数之间互为因果关系,且存在长期均衡关系,但并不显著。短期变化似乎深证A股指数影响更大,也更为显著。     

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。     

时间序列分析在股价建模及预测中的应用

我国的股票市场是一个高度复杂的非线性动力系统,现实生活中预测股市的未来变化具有十分重要的意义。近年来,基于时间序列分析的预测方法在各个领域中都得到了广泛的应用。而对股票价格进行预测较为普遍的模型就是时间序列模型,因此本文将时间序列建模方法应用于股票收盘价的建模和预测。文章采用中国石化157个交易日（自2013年6月19日至2014年2月11日间）内股价数据为研究对象,采用ARIMA模型进行建模和预测。     

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。     

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。     

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。     

消费者信心指数的分析

消费者的信心与重要的宏观经济指标之间存在密切联系,对未来的整个经济发展趋势有相当的预见性,是宏观经济中的一个重要的先行指标。本文运用Eviews7.2及Excel对消费者信心指数进行了时间序列分析：对消费者信心指数2006年至2012年的月度数据进行季节调整,建立ARIMA模型,并且利用模型对2013年的消费者信心指数进行预测,与实际数据对比,结果表明该模型较优。     

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。     

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.     

我国上交所A股市场随机游走模型的检验

本文在对相关概念进行梳理和明晰的基础上,选取2010年7月22日至2013年6月1日上海证券交易所A股指数的当日收盘值,共689个数据作为研究对象。运用Eviews计量经济法及三种主要检验法对时间序列数据是否符合随机游走模型进行分析与检验。结果表明,该数据的生成遵从随机游走模型,进而可以判断出上交所A股市场为弱式有效市场。     

基于ARIMA模型对我国进出口总值进行分析及短期预测

本文基于时间序列中ARIMA模型的方法对我国进出口总值进行了分析、预测。以2000年1月到2014年1月我国进出口总值的169个月度数据（名义值）为基础,建立了AR模型,根据与实际数据比较,确定模型准确性,并给出了2014年2月到2015年1月的我国进出口总值的预测数值,对于分析实际中我国进出口总值的经济意义具有借鉴价值。