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。     

上海社会消费品零售额的ARIMA模型预测研究

本文根据2003年2月-2009年9月的上海社会消费品零售额数据,运用ARIMA模型进行预测,其研究结果表明:ARIMA模型能提供较准确的预测效果,可用于上海社会消费品零售额未来的预测,并为上海市政府的宏观决策提供可靠依据.     

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。     

福建省食品价格波动预测预警机制研究

本文对福建省食品价格总指数、粮食、食用油、畜肉类、猪肉、水产品、蛋类7个指数,应用2013年11月至2017年10月的48个月数据,通过ARIMA模型和Holter-Winter季节迭加模型进行组合预测,得到了各指标2017年11月至2018年6月的预测值。进行预警研究时,首先明确警区划分的方法,其次给出警区划分的结果,最后得到7个指数未来6个月的警情,并指出研究结果的政策含义。     

ES和ARIMA旅游需求模型预测效果比较

指数平滑技术(ES)和综合自回归移动平均技术(ARIMA)是当前国际上利用单变量时间序列进行旅游需求预测的两种重要的预测技术。本文利用中国四大入境旅游客源国日本、英国、美国、澳大利亚到中国的年旅游人数数据,对二种预测方法的事后预测效果进行了比较。结果显示,对于日本和美国两个国家的入境旅游人数,指数平滑技术的预测效果优于综合自回归模型;而对于英国和澳大利亚两个国家,指数平滑技术的预测效果劣于综合自回归模型。     

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。     

ARIMA对我国上证指数的预测研究

采用自回归移动平均模型(ARIMA),选取了上证指数2011年5月1日至2012年5月1日共242个交易日收盘数据进行短期预测,结果显示,ARIMA(3,1,1)对上证指数有较好的预测效果,为投资者在股票市场的投资提供了有效参考。     

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。     

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。     

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。     

组合预测方法在苯乙烯价格预测中的应用研究

苯乙烯是国民经济发展中重要的基础石化产品,其价格影响因素复杂,波动较大。本文基于灰色预测和指数平滑预测的基本理论,提出了一种新的基于灰色GM(1,1)模型和三次指数平滑模型的线性加权平均的组合预测方法,并以2010年1月到9月的苯乙烯周平均价格作为历史数据,对2010年10月的4个周平均价格进行了组合预测。结果表明,预测误差大大减小,预测精度显著提高。     

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。     

我国居民消费价格指数时间序列预测——基于ARIMA模型与平滑ARIMA模型的比较分析

对我国CPI的1951-2008年年度数据进行分析预测,用一种短时序数据的结构分析模型——平滑ARIMA模型对数据进行了分析预测。通过对两个模型预测效果的比较,结果表明,相比于ARIMA模型,平滑ARIMA模型预测的准确度大大提高。     

基于ARIMA的多晶硅组件价格预测

本文依据北极星光伏商务通网站多晶硅组件价格相关数据,采用时间序列分析法,对2012年4月20日至9月20日多晶硅组件价格周数据进行了分析。通过对数据的平稳性检验、模型的确认、模型检验等综合分析,建立了ARIMA(0,2,4)时间序列模型,对预留最后3周的数据进行预测。预测结果表明,实际值与预测值之间的绝对误差均在1.43%以内,误差率均在2.46%内,该模型有较好的短期预测效果,能较好地模拟并预测多晶硅组件价格变化的趋势,为光伏企业产品价格的准确预测提供了重要方法。     

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。     

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。     

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模型和神经网络模型的股票价格预测——以百联集团为例

本文将分别利用时间序列的ARIMA模型和神经网络,对国内零售业"航母"——百联集团旗下的友谊股份(600827.SH)和上海物贸(600822.SH)股票的价格进行预测,并将这两种预测方法进行对比,选择最优的方法进行预测。最后发现ARIMA模型和神经网络的模型预测效果都很好,但是神经网络相对更好。     

全球经济政策不确定性的演变趋势：基于EMD-ARIMA模型的预测分析

作为经济政策变动的风向标，全球经济政策不确定性（Global Economic Policy Uncertainty，GEPU）指数的动态走势对于经济政策的制定和调整具有重要的参考价值。然而GEPU指数动态路径的影响因素复杂多变，其数据生成过程难以在一个时间序列模型中得到准确的体现。基于“先分解后集成”的建模思路，首先采用经验模态分解（Empirical mode decomposition，EMD）方法将全球经济政策不确定性指数分解为若干相互独立、频率不同的可读信号，其次运用非平稳时间序列ARIMA模型对可读信号分别进行建模预测，最后集成各类可读信号的预测结果。在此基础上，进一步应用VAR模型考察了全球贸易、新冠疫情等因素对GEPU指数的动态影响。研究发现：(1)通过对训练组和测试组数据的预测值与真实值的对比，发现EMD-ARIMA模型对训练组和测试组数据的拟合精度均优于ARIMA模型；(2)与ARIMA模型相比，EMD-ARIMA 模型能够解决由原始数据不确定性、非线性以及不稳定性所导致预测偏差问题，得到精度较高的预测结果；(3)全球贸易、新冠肺炎疫情等因素对全球经济政策不确定性均产生了显著的影响，EMD-ARIMA模型的样本外预测结果显示，GEPU指数在2021年7月之前呈增加趋势，2021年7月至12月逐渐趋于稳定。