股票指数的时间序列模型分析

借助于SA S软件将工程中的K a lm an滤波方法与时间序列的状态空间模型结合对上海A股指数进行了拟合与预测分析,通过对拟合与预测误差的计算可以发现这种模型是可行的;然后还把与滤波结合的状态空间模型的分析结果和常见的时间序列模型如:AR IM A模型、逐步自回归模型以及指数平滑模型的分析结果进行比较,比较的结果说明结合滤波的状态空间模型分析的结果比后三种的结果更加精确.结果为时间序列数据分析提供了一个较好的分析工具.     

SARIMA模型在肾综合征出血热发病率预测中的应用

目的:探讨应用时间序列SAR IM A模型进行肾综合征出血热发病率预测的可行性.方法:首先利用余弦函数模型分析肾综合征出血热季节性发病规律,其次进行扩充迪基富勒的平稳性单位根检验,然后根据自相关函数和偏自相关函数判别月别疫情间的相关性,最后基于1990年-2004年逐月发病率进行SAR IM A模型建模拟合,利用2005年各月发病率进行外推预测,并与实际值进行比较.上述统计分析采用Ev iew s3.1和SPSS12.0软件完成.结果:余弦函数确定的高峰时点为3月中旬,高峰时区为3月1日到4月3日.含第一谐量的余弦方程为:^Y1 i=1.274-0.945cos(ti-76.684),决定系数R2=0.853;在备选模型中,SAR IM A(1,0,0)×(2,0,0)12模型不仅很好地拟合了既往时间段上的发病率序列,而且对2005年各月发病率的预测值符合实际发病率变动趋势.结论:余弦函数对于褐家鼠型肾综合征出血热疫情季节分布拟合较好,SAR IM A模型能很好地模拟传染病发病率在时间序列上的变动趋势,并对未来的发病率进行预测,为传染病防制工作服务.     

基于双AR(p)模型的股价分析及其实证研究

在双AR(p)模型的基础上,选取了具有代表性的沪深300指数,并对其部分股市收盘价序列进行了平稳化处理,研究了近期中国股市的股价波动.在双.AR(p)模型严平稳条件下进行了模型诊断,最后通过动态预测得出双AR(p)模型可用于股价预测的结论.     

基于模糊时间序列模型的CPI预测方法研究

构建模糊AR(p)时间序列模型,对CPI进行了预测,通过实际数据模拟发现,与传统的ARIMA模型相比,模糊AR(p)时间序列模型预测的效果更好.     

基于改进的SVR模型在年降水量预测中的应用

鉴于降水量数据的高维非线性性和周期性,建立了支持向量回归(SVR)预测模型用于降水量预测,由于对该模型输入特征的选取极为重要,因此提出了一种基于季节自回归(SARI)的输入特征选取方法.利用已有的降水量数据建立SARI模型,通过观察模型表达式提取建立SVR模型所需的输入特征用于训练支持向量机,并通过网格参数寻优法确定SVR模型的参数,进行降水量预测.实例分析中,应用此模型对黄土丘陵半干旱区域的降水量进行预测,将预测结果与季节时间序列(SARIMA)模型的预测结果进行对比,结果表明,模型具有更高的预测精度和拟合优度,可以用于降水量的预测.     

"已实现"波动率在VaR计算中的实证研究

本文根据“已实现”波动率的性质用ARF IM A模型对其进行模拟,并在此基础上研究了V aR,发现在学生T分布和GED分布下有比较好的预测效果.     

对偶扩张代数的分裂挠理论与Generic模

设A是一个有限维代数,R是A的对偶扩张代数.MA是一个A-模.给定一个倾斜R-模M(○)AR,我们知道MA一定是一个倾斜A-模.设(TM(○)AR,FM(○)AR)与(TM,FM)是分别由M (○)AR和MR导出的挠理论.本文讨论挠理论的分裂性以及Generic A-模与Generic R-模之间的关系。     

用改进的模糊AR(p)与指数平滑组合模型预测油田产油量

在模糊AR(p)与指数平滑组合预测模型的基础上,通过对传统指数平滑模型的分析,提出了动态平滑参数的概念,并由此建立了平滑权重对时间序列能够适应的新的指数平滑模型,较完整地解决了传统模型初值难以选取,平滑参数适应性差和系统预测偏差大等问题,从而较传统指数平滑模型有较高的预测精度.并将这两种模型结合起来构成新的改进的模糊AR(p)与指数平组合预测模型,并应用于预测油田产油量.应用实例证明,改进的模糊AR(p)与指数平滑组合预测模型具有更高的预测精度.从而表明该组合预测模型是一种非常有效的预测新方法.     

灰色时序组合模型及其在地下水埋深预测中的应用

地下水埋深的变化过程是一个复杂的非线性过程,这种具有复杂的非线性组合特征的序列,使用某一种模型进行预测,结果往往不理想.在分析了灰色GM(1,1)模型、灰色GM(1,1)周期性修正模型和时序AR(n)模型的优点和缺点基础上,提出了一种新的灰色时序组合预报模型.该方法利用了GM预测所需原始数据少、方法简单的优点,用周期修正方法反映其地下水位埋深周期性波动的特征,用AR(n)模型预报其地下水位埋深的随机变化.实例研究表明,这种方法方便简洁实用且预测结果接近于实际观测值,为其它地区的地下水位埋深和相关时间序列的分析研究提供参考与借鉴作用.     

谈谈AR模型在短期经济预测中的应用

短期经济预测是我们制订国民经济计划和进行决策时必不可少的一个程序,也是一种科学的定量分析方法.进行短期经济预测的方法很多,如:回归分析与相关分析法,因果关系法、趋势分析与简单季节分析法等等.本文引入AR方法(即自回归分析法)结合我国历年来棉布的销售量资料,加以探索和分析并进行短期经济预测. 一AR模型的一般特征 为了便于识别和应用AR模型,我们先谈谈它的基本特征. AR模型作为B—J(Box-Jekins)模型的一种特殊情况,其表达式为: xt=φ1xt-1+φ1xt-2+…+φpxt-p+et(1) 式中, P> 0,称为模型的阶, et为白噪声,上式可简记为AR(p) …     

ARIMA模型在上海市全社会固定资产投资预测中的应用

本文采用自回归求积移动平均(ARIMA)法,对《上海市统计年鉴2002》提供的固定资历产投资额资料进行了分析。结果显示,ARIAM(1,1,10)模型提供较准确的预测效果,可用于未来的预测,并为上海市全社会固定资产投资提供可靠依据。     

基于ARIMA-GM组合模型的邮电业务总量预测

对传统预测具有波动性及季节性双重趋势时间序列的模型—ARIMA乘积季节模型进行了改进,先用ARIMA乘积季节模型对邮电业务总量历史数据进行识别和拟合,然后用GM(1,1)模型对其带阀值的残差序列进行修正,最后结合二者得到ARIMA-GM这一组合预测模型.利用此模型对09年上半年中国邮电业务总量进行了预测,结果表明,组合预测方法比单项ARIMA乘积季节模型预测具有更高的精度.     

ARIMA模型在达尔文通信模式研究中的运用

首先利用ARIMA模型,研究了进化论的提出者查尔斯·达尔文(Charles R.Darwin,1809/02/12-1882/04/19)从1866到1879年期间的通信量变化规律,并根据模型优化的AIC和BIC准则求得ARIMA优化模型.接着,应用ARIMA优化模型,对达尔文1880至1881年的月通信数量的时间序列进行了预测.预测的月通信数量与实际通信数量的对比说明,ARIMA优化模型拟合效果良好,并能够较好的反映达尔文学术生涯后期实际通信量的时间变化规律.研究结果表明,ARIMA优化模型可以作为一种研究人类通信模式的有效模型加以广泛应用.     

广东省能源消费的ARIMA模型预测分析

对1985-2008年广东省能源消费总量数据序列进行分析,建立了ARIMA(2,2,2)模型,检验结果表明,该模型对原始数据序列有较好的拟合效果,模型的预测效果良好,可用于短期外推预测.     

移动GSM网话务量的ARIMA模型的建立及其预测

本文用ARIMA模型对株洲移动GSM网的话务量进行了建模分析和预报，研究表明ARIMA模型不但适合株洲移动GSM网话务量的非平稳时间序列的特点，而且预测效果比较理想。结果表明，ARIMA（1，1，1）提供了较精确的预测结果，可以用来对未来几周的话务量进行预测，有一定的实际价值。     

ARIMA(p,d,q)与GM(1,1)模型在洪涝灾害预测中之比较研究——以广东省做实证分析

运用经济时间序列ARIMA(p,d,q)模型与GM(1,1)模型对广东省的洪涝灾害进行了预测.研究结论显示,所建立的ARIMA(p,d,q)模型能够较好的对洪涝灾害进行预测,模型可以运用到各种主要气象灾害风险预测与管理中,但所建立的GM(1,1)模型虽然具有很好的精度,但预测效果并不好.这充分体现了模型选择在预测过程中的重要性.     

ARIMA模型在深圳GDP预测中的应用

对1979至2006年深圳国内生产总值进行了分析,建立了ARIMA(1,2,2)模型,检验结果表明该模型具有较好的预测效果,可为深圳制定经济发展目标提供决策参考.     

我国货币供应量的ARIMA模型与预测

本文介绍了符合金融系统预测规律的ARIMA时间序列模型，并根据我国货币供应量实际数据对2008年5月-2009年4月货币供应量走势进行了预测检验。实证预测结果显示与实际№相对照，模型预测精度较高，平均相对误差绝对值仅为1．56％，说明ARIMA模型能比较准确地预测我国货币供应量走势，可为我国货币供应量的预测和走势提供可靠的参考依据，并由此预计在2009年9月货币供应量将突破60万亿元。     

上海市PM2.5浓度的分析与预测

针对上海市PM2.5的浓度进行动态分析及预测.通过使用Page检验分析了上海市PM2.5浓度近几年的变化趋势;然后建立时间序列ARIMA模型对PM2.5浓度日数据进行拟合分析与预测.在此基础上通过引入影响PM2.5浓度的其他因素建立带时间序列误差的回归模型以及引入波动率因素建立带波动率方程的模型改进原时间序列ARIMA模型;通过比较样本外预测的效果,结果表明改进后的两个模型其结果均优于已知文献中的ARIMA模型.     

B—J法在储蓄预测中的应用研究

本文运用 B— J法对我国居民储蓄存款余额作出预测 ,通过 ARIMA和 ARIMAX模型的比较 ,说明回归项的引入有利于提高模型预测效果