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.     

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。     

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。     

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。     

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。     

居民消费价格指数的时间序列模型分析

居民消费价格指数能够反映价格变动趋势和程度,反映通货膨胀水平,在现代社会经济中占有极为重要的地位,也越来越受到社会的重视和关注.研究居民消费价格指数的发展变化特征和未来短期内的发展趋势,把握居民消费价格指数发展变化的动态特征,有利于有针对性的制定政策措施,维持物价稳定,促进经济的健康发展和社会稳定.本文通过对国家统计局公布的过去20年居民消费价格指数的已有数据,利用时间序列的方法建立ARIMA模型进行分析,从中选出预测精度相对较高的模型,并对我国未来一段时间内的居民消费价格指数水平进行了预测.     

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。     

中国黄金现货价格预测模型——基于时间序列的数据分析

本文通过建立ARMA即自回归移动平均模型对中国黄金现货价格进行预测,研究结果显示,该模型预测值与实际数据相比拟合度高,预测结果较为精确.黄金去货币化三十多年后的今天,在学界对黄金价格的形成和变动的影响因素和作用机理并未有明确认定的大环境下,本文绕开了对传统影响黄金价格的种种因素作用机理的分析,而围绕这些众多因素共同作用下的黄金价格所表现出的实际数据展开研究,这种类似于抛开.黑箱关注结果的研究方法对黄金这种特殊商品价格的形成和变动比较适合,具备一定的借鉴意义.文章也提出了研究不足和下一步研究展望.     

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。     

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.     

时间序列模型在金融产品价格预测的效果分析

金融市场的波动率对资产定价、组合投资以及风险管理无论是在理论上还是在实践上都是非常重要的。本文选取两种不同的时间序列模型——实际波动率和 GARCH模型,对不同的金融产品价格进行预测并分析比较各自的效果。     

时间序列模型在金融产品价格预测的效果分析

金融市场的波动率对资产定价、组合投资以及风险管理无论是在理论上还是在实践上都是非常重要的。本文选取两种不同的时间序列模型——实际波动率和GARCH模型,对不同的金融产品价格进行预测并分析比较各自的效果。     

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。     

运用时间序列模型和周期因子预测商业银行存款

商业银行的存款预测对商业银行流动性有着重要影响,文章基于中原银行2020-2022年的每日存款总量数据,对比ARIMA、LSTM两种机器学习算法的预测准确度,并叠加了周期因子。其中,在数据表现比较平稳的时期,ARIMA模型叠加周期因子后要比ARIMA单一模型的平均绝对误差（mae）和均方根误差（rmse）分别降低19.1%和19.3%,LSTM模型叠加周期因子后的这两个指标比单一模型分别降低10.7%和11.6%。因此,周期因子的叠加使本次商业银行存款数据预测大大降低了误差,发挥了重要作用。综合比较来看,LSTM模型叠加周期因子相较于ARIMA模型来说可以处理更复杂的情况,表现更稳定,预测结果也更合理。因此,文章推荐商业银行在预测存款数据变动时使用LSTM模型叠加周期因子。     

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.     

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,同时不断提高监管部门货币政策的效果,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的开展信贷规模管理的重要工具.     

基于灰色-ARIMA的金融时间序列智能混合预测研究

提出了一种基于灰色-ARIMA的金融时间序列智能混合预测模型。首先建立金融时间序列灰色预测模型,并采用PSO算法对灰色模型的三个参数进行优化;利用ARIMA算法对预测模型的残差进行分析,同时采用遗传算法对ARIMA的系数进行优化;最后用ARIMA的残差预测结果对灰色预测模型进行补偿。结果表明,以较好的精度拟合一段时期内MA107的时间序列,预测误差控制在5%以上,与单纯的灰色预测算法和神经网络算法相比,在平均绝对误差、均方根误差和趋势准确率三项评价指标上,具有明显优势。