道琼斯月度价格指数的时间序列分析

本文选择了1980年1月份到2000年1月份共241个月份的道琼斯价格指数数据,通过对其进行进行去除趋势,季节调整等步骤得到了带有周期的yt残差序列,通过对yt进行建模,对道琼斯指数进行了3步预测,得到了基本满意的结果,文章还对残差序列建立了ARCH与GARCH模型,使得道琼斯价格指数的方差得到了预测与控制     

道琼斯月度价格指数的时间序列分析

本文选择了1980年1月份到2000年1月份共241个月份的道琼斯价格指数数据，通过对其进行进行去除趋势，季节调整等步骤得到了带有周期的yt残差序列，通过对yt进行建模，对道琼斯指数进行了3步预测，得到了基本满意的结果，文章还对残差序列建立了ARCH与GARCH模型，使得道琼斯价格指数的方差得到了预测与控制。     

ARCH族模型在上证指数中的应用与预测

利用ARCH族模型对上证股票指数序列进行拟合和短期预测表明：上证股票指数序列存在ARCH效应,GARCH模型的预测效果要好于其他几种模型,但为了更好地模拟和预测数据,该模型还需考虑其他因素。     

基于ARCH族模型的上证指数研究

本文利用Eviews软件,以2004年1月2日—2013年4月25日沪市股票的收盘价格指数日数据为样本序列,运用ARCH族模型对上证综指的波动性进行实证分析,结果表明上证综指对数序列具有较为显著的ARCH现象和"杠杆效应",通过EGARCH模型拟合预测上证综指并给出若干小结。     

什么定价模型能够更好地刻画我国A股股价的时间序列特征?-无条件泰勒定价模型及其在我国A股市场中的检验

本文通过对非线性随机贴现因子进行泰勒展开和多项式正交化推导出了无条件泰勒定价模型,并基于我国A股市场数据将该模型同Fama-French三因子模型、Learning-CCAPM模型和ARCH类资产定价模型(经过检验,我国数据没有体现出ARCH效应)进行了全面比较。通过比较发现无条件泰勒定价模型对我国数据的拟合效果最为理想。而且,无条件泰勒定价模型所需要的数据很容易获得。因此,无条件泰勒定价模型在我国具有很高的应用价值。     

什么定价模型能够更好地刻画我国A股股价的时间序列特征？——无条件泰勒定价模型及其在我国A股市场中的检验

本文通过对非线性随机贴现因子进行泰勒展开和多项式正交化推导出了无条件泰勒定价模型，并基于我国A股市场数据将该模型同Fama-French三因子模型、Learning-CCAPM模型和ARCH类资产定价模型（经过检验，我国数据没有体现出ARCH效应）进行了全面比较。通过比较发现无条件泰勒定价模型对我国数据的拟合效果最为理想。而且，无条件泰勒定价模型所需要的数据很容易获得。因此，无条件泰勒定价模型在我国具有很高的应用价值。     

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。     

上海股市周收益率的ARCH模型

本文利用计量经济学软件EViews4.0,对上海股市自1994-2004年十年的大盘收盘指数的周收益率进行了研究,建立了相应的ARCH模型族,通过比较,最终得到TARCH(1,1)模型和EGARCH(1,1)模型.同时还对周收益率的波动性进行了预测分析.     

基于GM-ARIMA模型对贵州省能源需求的预测

贵州省近年来高速的经济发展依赖于大量的能源消耗,文章以2011—2020年贵州省能源消费数据为参考数据,基于ARIMA模型、GM(1,1)模型和GM-ARIMA组合模型对贵州省2011—2020年的能源需求数据进行拟合预测,并与实际结果进行了比较。通过分析相对平均误差值,发现GM-ARIMA模型在预测未来能源需求方面具有更高的准确性。结果表明：贵州省2021—2025年的能源需求将以年均3.6%的速度增长。需求预测数据为未来的贵州省的能源发展规划,政策制定和技术指导提供了参考价值。     

Orthogonal TGARCH模型研究

本文对ARCH及其衍变模型进行了分析和总结,提出了直交门槛一般化自回归条件异方差(OrthogonalTGARCH)模型。通过模型平稳性测试、AR效果检定、ARCH效果检定、模型阶数鉴定、模型参数估计与模型诊断对模型进行评估,作者认为这种模型在估计投资组合资产收益的波动性上优越ARCH及其衍变模型。     

成交量与股价波动ARCH效应的实证研究

本文通过建立增广GARCH-M模型,选用1998年1月5日至2004年2月26日间上海证券交易所的交易数据,对我国股票市场波动的ARCH效应与股票成交量之间的关系进行了实证研究.结果显示:(1)股票市场波动性与同期股票成交量之间存在较强的正相关关系,并且股票市场波动的持久性特征在考虑成交量这一因素后而明显减弱;(2)股票成交量中含有有关市场波动的信息,但成交量的引入并没有消除股价波动的ARCH效应,从而说明还有其他因子影响着股票市场的波动特征.     

基于搜索大数据的旅游需求自回归分布滞后模型预测研究

基于搜索引擎的搜索指数记录了关于某一关键字或某个类别的用户搜索历史,这些时间序列数据可为经济活动的预测提供原始实时依据。文章通过引入搜索大数据构建自回归分布滞后模型(即ARDL模型)预测旅游需求。具体研究内容是以美国2004年1月至2016年9月入境中国香港旅游人数为因变量、搜索指数的滞后变量为自变量建立自回归分布滞后模型,并进行预测分析。实证结果表明,搜索指数与入境旅游数具有正向相关关系,搜索指数可以提高旅游预测精度。研究结果可为网络信息计量学理论、旅游管理预测提供实证数据参考。     

基于自组织方法的税收收入组合预测模型

自组织理论是基于神经网络和计算机科学的迅速发展而产生和发展起来的。它将黑箱思想、生物神经元方法、归纳法、概率论、数理逻辑等方法有机地组合起来。其主要思想是通过简单的初始输入（局部变量）的交叉组合产生第一代中间候选模型,再从第一代中间候选模型中选出最优的若干项组合而产生第二代中间候选模型,重复这样一个产生、选择和遗传进化过程,使模型复杂度不断增加,直到选出最优复杂度模型为止。本文利用自组织方法进行数据筛选和建立税收预测模型,并在数据筛选基础上建立线性回归预测模型和BP神经网络预测模型,然后结合时间序列的预测模型,利用自组织方法建立组合预测模型。通过预测结果比较得出了组合预测模型比其它单个模型具有更高的预测精度。     

家用汽车需求预测

本文首先用定性预测方法分析了家用汽车需求的主要影响因素，论证了其平稳增长的特性。然后用定量预测方法，在灰色系统模型等单一预测模型的基础上，引入了组合预测模型，通过使组合预测误差平方和最小，得到了各个单一预测方法的权重系数，建立了最优组合预测模型。对预测结果进行对比分析，验证了最优组合预测方法的准确性。最后运用所建立的最优组合预测模型对家用汽车在最近几年的需求量进行了预测。     

基于Gramer分解定理对我国就业人数变化趋势分析及预测

本文基于时间序列的Gramer分解定理,利用我国就业人数1978年到2007年的历史数据进行实证研究,建立确定性趋势模型和ARMIA模型的组合模型.最后得出组合模型能够很好的预测我国的就业人数,然后运用模型对我国就业人数进行短期预测和分析.     

金融时序数据建模中的模型设定问题

W.J.Granger与D.F.Hendry(2004)关于建模思路的对话引起了国际计量经济学界关于模型设定问题的争论,本文就这一问题分析讨论了在金融时序数据实证研究中得以广泛应用的ARCH/GARCH模型的设定问题,认为在金融时序数据的建模中,ARMA族模型不宜作为数据生成过程的模型设定,其统计性质也不能直接扩展到ARMA-GARCH族数据生成过程;虽然ARCH/GARCH族模型作为金融时序数据的生成过程有着良好的统计性质,但也不宜单纯采用一般到特殊的建模思路,而应是一般到特殊和特殊到一般两种建模思路的结合;ARCH/GARCH族模型的设定应当包含事前检验、事后检验等设定检验步骤.     

辽宁省渔业经济总产值集成预测与分析

渔业作为农业的主要组成部分,是国民经济的重要基础之一,渔业经济的健康发展对辽宁省国民经济具有至关重要的作用。文章基于辽宁省渔业经济历史发展趋势,联合构建AR模型、多元线性回归模型和VAR模型,对辽宁省渔业经济总产值分别预测,根据各模型预测结果与误差,建立集成预测模型对未来渔业经济数据进行拟合测算。预测结果表明:各模型预测结果均具有不同程度的误差,AR预测效果较好;集成预测结果良好,具有一定的可靠性;辽宁渔业经济将呈现持续缓慢增长态势。     

基于百度搜索数据的区域经济指标预测模型研究

以广西为例研究网络搜索数据能否优化仅使用政府统计指标的区域经济预测模型。将网络搜索数据纳入区域经济指标的实时预测体系,以工业总产值和居民消费价格指数作为预测基准指标,以若干个百度搜索指标、政府统计指标和它们的不同组合作为解释变量,利用广西2012年1月—2017年12月间的数据构建ARIMA和ARDL两个系列的5种不同模型进行实证研究。研究结果表明引入网络搜索数据的模型比仅使用政府统计指标的传统模型能够更及时更精确地进行区域经济预测预警分析。     

ARMA-GARCH模型的期货价格预测比较研究

影响期货价格的因素非常多,且期货价格波动幅度大,对其进行准确的预测是困难的。但期货市场价格波动又有其自身内在的特点,基本因素分析法虽然能够大致确定市场未来走势,却很难定量化,技术分析方法的判断常提前或滞后且容易导致＂走势陷阱＂,因此本文运用WIND金融资讯数据库上的日收盘价数据,分别用ARMA模型和ARCH模型族中的GARCH模型,利用Eviews5.0软件对于期货价格进行预测并进行比较。     

引入优化因子的GM（1,1）模型及其在旅游客源预测中的应用

在灰色GM(1,1)预测模型中引入优化因子,通过优化因子的选择使预测结果与原始数据的平均相对误差最小,以提高预测精度.将引入优化因子的GM(1,1)模型应用于中国入境旅游客源的预测并与传统的GM(1,1)模型及文献中的改进方法相比较,结果表明引入优化因子的GM(1,1)模型有更高的预测精度.