基于ARMA-GARCH模型的黄金现货价格预测

本文以2009年1月5日至2017年1月3日期间上海黄金交易所的Au99.95的黄金现货收盘价为研究对象,对数据进行描述性统计分析、平稳性检验和相关性检验。建立ARMA(2,1)模型,对其残差序列进行ARCH效应检验,并通过建立GARCH模型消除其条件异方差性,从而建立ARMA(2,1)-GARCH(1,1)模型。比较t分布下和GED分布下的拟合模型,发现t分布下的更优。最后,预测在95%置信区间内黄金现货日收益率序列在未来100天内走势区间与条件标准差变化趋势,并对预测结果进行了验证。     

LME铜价时间序列的预测模型

铜价的波动对于铜加工企业来说有着巨大的影响,是铜产品中成本影响的最不确定因素,本文借助Box-Jenkins建模法和ARIMA模型的理论以及Eviews 3.1软件,建立时间序列ARIMA模型,结果表明模型拟合比较成功,通过实际数据与预测数据的比较,证明该模型的预测精度较高,给铜加工企业的备科计划带来一定的参考意义.     

基于B-S公式与时间序列模型对期权价格的预测

国内的期权市场发展迅猛,目前不仅规模庞大、活跃度高,而且价格波动较大,因此期权价格的预测对于投资者和市场的稳定发展极其重要。本文利用Black-Scholes公式(最常用的期权定价公式)和时间序列模型相结合的方法对期权价格进行预测,以50ETF的沽2018年6月2.90期权的实际数据作为实验数据,对该方法进行了验证,结果显示该方法的短期预测效果非常好。     

商业银行新增信贷的统计与时间序列模型研究

为不断改善商业银行流动性和信用风险管理水平,减少商业银行的亲周期效应,同时不断提高货币政策的效果,开展商业银行信贷投放的量化研究非常重要。本文在对某大型商业银行新增贷款进行统计分析的基础上,对贷款规模的变动规律进行了时间序列模型的拟合,并进行了趋势预测和实证检验。研究认为,商业银行信贷投放具有显著的日、周、月不同的概率统计分布特性,时间序列模型可以作为前瞻性地开展信贷规模管理的重要工具。     

基于时间序列模型的中国GDP增长预测分析

作为度量一个国家或地区所有常住单位在一定时期之内所生产和所提供的最终产品或服务的重要总量指标,如果能够对GDP做出正确的预测,必然可以有效引导宏观经济健康发展,为高层管理部门提供决策依据。选用适合短期预测的ARIMA模型对中国1952～2010年的GDP进行计量建模分析,预测结果认为未来五年中国的经济增长仍将处于一个水平较高的上升通道。     

模糊集合时间序列方法预测中国农产品期货指数

期货市场在货币市场和资本市场中有着举足轻重的地位,投资者和决策者都亟需能够预测其价格走势的理论与方法。然而,期货市场是一个不稳定的复杂系统,政治、社会、宏观经济趋势以及投资者心理等诸多因素都可能使得期货价格产生不同程度的变化,本文基于模糊集合理论,运用一阶模糊时间序列模型对中国农产品期货指数进行预测,应用实例表明运用模糊时间序列模型可以对农产品期货短期内的价格指数进行较高精度的预测。     

银行房屋抵押贷款总额的时间序列预测——基于ARMA模型与趋势-ARMA组合模型的比较分析

基于1990年第一季度到2011年第三季度美国全部银行的房屋抵押贷款总额,建立了ARMA模型以及组合模型来拟合时间序列,并通过残差序列趋势和残差序列相关图,偏相关图等的分析,预测出2011年第四季度与2012年第一季度的美国全部银行的贷款总额。     

基于SAS软件的时间序列分析在GDP预测中的应用

国内生产总值(GDP)是国民经济核算的核心指标,GDP预测的准确与否直接关系到就业、收入分配等许多国计民生的重大问题.根据1982年～2001年GDP数据,利用SAS统计软件,建立时间序列ARMA模型来预测未来5年的GDP的数值.通过比较模型预测数据与实际数据,证明模型预测精度较高.该结论不仅为GDP的预测提供了可靠信息,也可以在一定程度上作为政府决策的依据和参考.     

黄金期货价格和现货价格关系的实证分析

本文以2008年1月9日至2013年4月26日上海黄金期货价格与现货价格交易数据为样本．利用Eviews软件对上海黄金期货价格与现货价格进行实证分析。最后研究结果表明．中国黄金期货价格与现货价格都不是平稳的序列;两者保持着长期均衡关系,若当短期失去均衡时,价格将以一定力度将非均衡状态调整到均衡状态．并且黄金现货价格的变动单向引起黄金期货价格变动。     

安徽省城市化水平时间序列分析

城镇化是农业人口转化为城市人口的过程,即以农村人口不断向城市迁移和聚集为特征的一种历史过程.文章分析了我省城市化水平的现状,并利用了从2004~2014的十年间的城镇人口占总人口的比重,即城市化率;利用时间序列分析去拟合ARMA模型,并利用模型预测法对安徽省城市化水平时间序列数据进行预测分析。     

时间序列分析在我国GDP预测中的应用

GDP是反映一国经济增长、经济规模、人均经济发展水平、经济结构和价格总水平变化的一个基础性指标,而且也为国家和地区在部署战略方针和制定宏观经济政策上提供了一种参考和依据。改革开放后,中国的经济实力不断提高,GDP连年增长,并呈现一定规律。如果可以准确地预测未来中国之后几年的GDP,将为国家的宏观调控工作提供巨大帮助。本文基于时间序列分析理论,以我国1986年~2016年国内生产总值为基础,利用EViews8.0软件,对数据进行拟合分析,建立模型,并利用所建模型对我国未来三年的GDP作出预测。     

我国黄金现货价格影响因素的实证分析

本文采用2010年至2016年9月的月度数据,研究通货膨胀率、货币供应量、原油期货价格、上证综合指数、美元指数、美元对人民币汇率以及5年期国债利率与黄金现货价格的关系,运用多重共线检验、单位根检验、协整检验以及误差修正模型得出:在长期内,通货膨胀率和美元指数对黄金价格影响较为显著,在短期内,只有美元指数对黄金价格有显著影响。     

基于时间序列模型的农业总产值预测

本文采用时间序列分析方法,对河南省2001年第一季度到2018年第一季度共69个农业总产值季度数据进行研究分析,建立ARIMA时间序列模型,并对这一模型具有的残差异方差性进行了改进,最终建立ARIMA―GARCH模型。之后,利用建立的模型对原始数据进行预测,最后得到了河南省农业总产值2018年第二季度到第四季度的预测数据值。     

2020年“中国梦”能否实现?——基于时间序列模型的中国城乡居民收入预测

党的十八大描绘了到2020年全面建成小康社会的宏伟蓝图,这亦是我们全体中国人在本世纪头20年的中国梦,但是这一梦想是否能够实现,是我们首先要回答的问题。作为全面建成小康社会的重要指标,检验我国2020年城乡居民人均收入能否比2010年翻一番是对判断这一梦想能否实现的有力证据,因此,对我国城乡居民人均收入的分析与预测对回答这一问题具有重要意义。笔者基于时间序列分析的理论,利用EViews软件对我国城镇居民家庭人均收入和农村居民家庭人均收入的历史统计数据分别进行变换处理,构建ARIMA(p,d,q)模型并对2013-2020年的数据进行预测,以便对实现中国梦的可能性进行分析。预测结果证实2020年我国城乡居民人均收入能够比2010年翻一番,我国全面建成小康社会的中国梦一定能够成功实现。     

中国黄金期现货市场的定价效率及价格发现功能的实证分析

本文运用误差修正模型、永久瞬时模型系统分析了我国黄金期货市场的定价效率以及价格发现功能,得出相关结论:首先黄金现货与期货存在双向的引导关系,黄金期货市场定价效率高于现货市场;期货市场在信息传递中位于主导地位,新信息融入黄金期货市场价格的比率高达57.22%,但其在价格发现过程中的驱动力量并不明显。     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。     

基于时间序列模型的居民消费价格指数实证分析

居民消费价格指数作为一个重要的宏观经济指标,对研究中国经济状况具有不可替代的作用。针对居民消费价格指数的趋势性和季节性,运用时间序列模型分析预测,不仅可以更好地了解我国的消费需求情况,而且能够为政府把握未来的经济趋势并制定相应的政策措施提供重要的依据。     

基于时间序列的山东省人均GDP分析与预测

人均国内生产总值综合考虑了一个地区经济总量和人口基数,能够较好地反映一个地区经济增长和居民经济生活水平。本文以1978—2013年的山东省人均GDP数据为样本,用时间序列分析方法建立自回归预测模型。根据预测,山东省“十二五”期间人均GDP呈现出先慢后快的增长特点,可能原因是前期受金融危机影响较大,后期影响逐渐减弱。政府应保持宏观经济政策连续性稳定性,不断扩大开放,实施创新驱动,加快转方式调结构促升级,深化国民收入分配体制改革,实现经济持续健康发展和社会和谐稳定。     

基于时间序列的我国汇率走势预测的实证研究

本文在简单介绍汇率预测及时间序列模型的基础上,利用时间序列模型中的ARIMA模型和EGARCH模型,分别对我国汇改以后的人民币/美元日汇率值进行实证研究,并对结果进行分析比较,结果表明EGARCH模型相对于ARIMA模型结果更加可靠,更适合于预测人民币/美元的日汇率走势。     

基于ARIMA模型的我国人民币汇率的时间序列分析

大多数经济时间序列呈现非平稳性,因而不能直接用ARIMA模型进行分析。但是通过对原始序列进行差分,将其转换为平稳时间序列,再用ARIMA模型进行建模。本文通过对2000-2010年我国人民币汇率时间序列的分析,预测2010年6-12月数据,并证实了ARIMA模型是一种很好的短期预测模型。