ARIMA模型在上证指数预测中的应用

本文以上证指数2007年10月8日至2008年4月16日日收盘价的历史数据作为样本区间,利用ARIMA方法对上证指数做短期预测。     

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。     

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。     

小波ARMA模型和ARIMA模型对上证指数的预测效果探究

利用小波分析的局部化性质,以非平稳的时间序列上证指数收盘价为实验目标,首先建立传统的时间序列模型ARIMA模型,并做出预测;然后用小波分析与自回归移动平均模型相结合的方法建立小波ARMA模型,做出预测;最后,通过相对误差和平均绝对误差和对二者的预测效果做比较,结果表明:在上证综指序列预测分析中,小波ARMA模型相比单纯的ARIMA模型,其拟合和预测精度都比较高。     

基于上证指数收盘价标准差系数的时间序列预测

稳定性是衡量股票市场风险程度的一个重要的指标,主要通过方差的计算来对稳定性进行度量.本文通过对上证指数2008年12月到2012年1月每月全部交易日收盘价的标准差系数进行研究,运用ARIMA时间序列技术,得出预测模型,对未来的标准差系数进行预测.     

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。     

2009年二季度以来CPI变动趋势分析

本文采用ARIMA模型,以2001年1月至2009年3月的CPI数据为基础,分析了我国物价水平的非平稳受动及变化原因,并用所得到的ARIMA（2,1,2）模型对2009年4、5月CPI进行预测,结果表明,我国的物价水平仍有下降的迹象,井在此基础上分析了相关原因,提出了相应对策。     

基于ARIMA模型的中国外贸进出口预测:2006-2010

ARIMA(Auto-regressive Moving Average)模型是一种常用的随机时序模型,主要用于预测,短期预测精度较高。本文利用ARIMA模型预测了2006-2010年中国外贸进出口总额、出口总额和进口总额。     

基于ARIMA模型的我国国内生产总值的分析与预测

本文先介绍了ARIMA模型,而后重点在于ARIMA方法与传统法的比较,指出了ARIMA方法与传统方法的异同,关键的不同点主要有三个方面:建模的基本思想不同、前提不同以及适用范围不同,最后运用ARIMA模型对我国1978—2009年的GDP总额进行了分析与预测,得出ARIMA(2,2,2)模型可以对我国的GDP序列作短期预测。     

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-GARCH模型对上海银行间隔夜拆放利率的实证分析

通过以上海银行间隔夜拆放利率为研究对象,选取2015年1月4日至2015年12月28日的数据作为样本数据,通过Eviews软件分别建立ARMA模型和ARMA-GARCH模型对2015年12月29日至2015年12月31日的上海银行间隔夜拆放利率进行分析,以期望为金融产品的定价和投资套利提供参考。研究结果表明:ARIMA(2,2,1)-GARCH(1,0)-GED模型相较于ARIMA(2,2,1)模型很好地消除了ARCH效应,并且能够更好地对上海银行间隔夜拆放利率作出短期预测。     

国民经济和股票市场的研究——一个波动率模型

股票市场被称为国民经济的晴雨表,研究股票市场的波动率对于研究国民经济有着很强的指导作用,本文考察了深圳成分指数从2000年1月到2010年5月的走势,并且对他的日对数收益率进行估计,进行单位根检验以及相关性检验然后对深成指的日对数收益率识别一个ARIMA模型,此模型很好的消除了深成指日对数收益率的任何线性相关关系,最后对ARIMA模型所估计的深成指日对数收益率的残差拟合一个GARCH模型,以充分提取残差中所包含的信息。我们用拟合的模型来预测股市波动的时候发现随着时间的推移,股市的波动最终会趋近于一个具体的数值,这对于国民经济的指导意义是很大的。     

上证A股指数的走势分析与预测——基于时间序列模型

本文旨在以时间序列模型为基础,选择上证A股指数为研究对象,对上证A股指数在2008年1月-2012年5月的53个月度数据eviews软件进行进行实证分析。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,对变量的发展规律进行了研究,并对未来三个月的上证A股指数做短期预测。通过研究分析可知计算所得的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。     

对我国棉花期货价格预测的方法研究——基于EGARCH-EWMA模型与ARIMA模型比较

本文以2013年1月2日至2014年6月31日期间的棉花期货价格为研究对象,通过ARIMA模型与EGARCH-EWMA模型进行短期价格预测对比分析。结果显示EGARCH-EWMA模型在准确度和可行性方面优于ARIMA模型,利用EGARCH模型估计的滞后系数对衰减因子赋值,克服了无法科学地判定衰退因子的弊端,并且预测结果表明棉花市场具有较为明显的杠杆效应,没有完全实现价格发现功能,基于此提出完善期货市场的建议。     

时间序列分析在财政收入预测中的应用

介绍求和自回归移动平均模型ARIMA(p,d,q)的建模方法。将ARIMA模型应用于我国财政收入的分析与预测,结果表明ARIMA是一种短期预测精度较高的预测模型。     

基于ARIMA模型在社会消费品零售总额预测中的应用

为了研究ARIMA模型对经济数据的预测,本文利用统计软件EViews7.2,通过分析我国社会消费品零售总额从2003年1月到2010年12月的月度数据,建立了八种不同参数的乘法季节ARIMA模型。根据模型的预测精度、检验结果,本文确定了最优预测模型ARIMA(2,2,0)×(1,1,1)12,并运用该模型来预测我国2011年1月至12月的社会消费品零售总额,并与2011年实际数值进行比较,拟合效果良好。对于2012年的展望,笔者认为,其值仍将呈速度较快的上升趋势。     

贵州省菜椒价格预测——基于自回归单整移动平均模型的研究

本文以2008年5月至2010年9月贵州省菜椒月价格为例，构建了拟合指标优良的ARIMA（1，1，0）模型，且发现该模型能很好地预测菜椒月价格趋势，从而为地方政府调控菜椒市场的供求关系、农户调整生产结构以及菜椒交易商掌握较准确的交易信息提供依据和参考。     

我国棉花价格长期走势与短期预测——基于差分自回归移动平均模型(ARIMA)的分析

近年来受各种因素的影响,棉花价格波动较大,预测棉花价格是对纺织企业生产及棉农意义重大。本文通过H-P滤波分析了我国棉花价格的长期走势,并在分析2008-2011年间月度棉花价格的基础上建立了基于差分自回归移动平均ARIMA(1,1,1)的棉花价格预测模型,利用该模型预测了2012年1月至4月间棉花价格,结果显示,ARIMA(1,1,1)模型能够较好地模拟并预测短期国内棉花价格。     

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。