时间序列问题的建模方法和过程

时间序列分析是研究经济学和统计学的一种重要方法,通过分析实际的时间数据序列进行建立数学模型,用来预测序列的未来的发展情况。本文介绍了时间序列的发展概况和基本概念,论述了ARMA模型的自协方差函数、自相关系数、偏自相关函数的特征和Box-Jenkins建模。Box-Jenkins建模方法一般包括模型识别、参数估计、模型适用性检验和预测等步骤,该模型主要运用于单变量、同方差场合的线性模型。通过对模型的进一步研究,明确了模型的定阶与参数估计等问题。     

产出时间序列的遍历性

主要研究产出时间序列的遍历性质,得出了市场经济条件下产出时间序列是马氏过程的结论,并讨论了它的遍历态;证明了市场经济发展的周期状形态.     

基于ICA的时间序列聚类方法及其股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一,通常由于时间序列数据的特殊结构,导致一般的聚类算法不能直接应用于时间序列数据.本文提出了一种基于独立成分分析与改进K-均值算法相结合的时间序列聚类算法,该算法首先利用独立成分分析对时间序列数据进行特征提取,然后利用改进K-均值聚类算法完成对时间序列特征数据的聚类分析,从而得到了一种新的基于特征的时间序列聚类方法.为了验证该方法的有效性和可行性,将其应用于实际的股票时间序列数据聚类分析中,取得了较好的数值结果.     

基于Copula函数的非线性时间序列聚类

时间序列数据的聚类是对面板数据或多维时间序列根据序列相似度进行分组。聚在同一组的时间序列具有相近的模型参数,尤其是当序列较短时聚类后能够得到更精确的参数估计。现存的时间序列聚类方法的距离度量大都基于时间序列的线性假设,但是现实中时间序列通常是非线性的。本文提出了一种基于Copula距离测度的非线性时间序列数据的聚类方法,它利用了Copula函数获取时间序列的非线性相依结构。作为一种非参数的距离度量,基于Copula函数的距离度量能够识别动态相关结构的相似性。大量的模拟实验和实证研究验证了我们所提方法的有效性。     

高频金融时间序列的模型化研究进展回顾

从高频和超高频金融数据的基本统计特征出发,回顾了(超)高频金融时间序列模型化研究的发展历程及相关特征,并详细介绍了高频数据模型研究中针对久期序列建立ACD模型族的研究与进展.对ACD模型族,介绍了两种主要类型:强ACD模型和弱ACD模型.最后展望了高频金融时间序列中ACD模型的研究.     

探索数据分析(Ⅲ)

三、时间序列的滑动中位数平滑 在科研、生产、经济各个领域中,随着现代技术的发展,人们收集到各类观察数据.其甲经常遇到的一类是所谓时间序列,即按时间顺序排列起来的一串数字.确切地说,一个时间序列是等时间间隔的一列n个观察值等时间间隔可以是年、月、周或者日、小时、秒、毫秒等时间单位.对时间序列,观察值的顺序是不容改变了,这是和通常的独立样本的不同点.例如,按年排列的某种谷物的总产量,降雨量,按月排列的某种货物的销货量,按年月排列的气温、气压等都是时间序列的例子. 以时间为横座标,观察值为纵座标,画出散点图.有的序列可看…     

基于ICA的时间序列聚类方法及其在股票数据分析中的应用

时间序列聚类分析是时间序列数据挖掘中的重要任务之一，通常由于时间序列数据的特殊结构，导致一般的聚类算法不能直接应用于时间序列数据。本文提出了一种基于独立成分分析与改进^一均值算法相结合的时间序列聚类算法，该算法首先利用独立成分分析对时间序列数据进行特征提取，然后利用改进￡．均值聚类算法完成对时间序列特征数据的聚类分析，从而得到了一种新的基于特征的时间序列聚类方法。为了验证该方法的有效性和可行性，将其应用于实际的股票时间序列数据聚类分析中，取得了较好的数值结果。     

周期相关时间序列与周期自回归模型

介绍了周期相关时间序列和周期自回归模型,并研究了周期自回归时间序列的稳定性及周期性,得到了它为周期相关时间序列的一个充要条件,推广了文献[1]的结论.     

基于多元混沌时间序列的油田产量预测模型

油田产量的预测一直是石油工作者研究的重要课题.针对油田产油量、产水量、地层压力和时间之间有着混沌的特征,利用多变量混沌时间序列等方法研究了油田产量的混沌建模和预测问题.用C-C算法确定每一个变量的嵌入维数和延迟时间,重构多元混沌时间序列的相空间;使用基于奇异值分解的主成分分析消除重构相空间的冗余变量和噪声干扰,建立了有较好泛化性能的多元混沌时间序列油田产量预测模型;最后将混沌时间序列预测和Elman神经网络进行耦合,创建了基于主成分分析前馈网络的多元混沌时间序列油田产量预测方法.应研究表明,提出的多变量混沌时间序列预测方法的预测精确度优于单变量预测,它可用于解决具有多变量混沌时间序列的预测问题.     

一种基于正交函数系的时间序列聚类方法

基于正交函数系和FCM算法,提出了一种新的时间序列聚类的方法.该方法首先通过一个非线性映射,将长度为n的时间序列映射到L_2空间,然后通过计算函数之间的距离得到时间序列之间的相似度.在此基础上,经过FCM算法实现时间序列的聚类.该方法克服了时间序列的高维数特征为时间序列聚类带来的计算困难.实验结果表明,对高维的时间序列,该方法在压缩率达到80%的情况下,依然具有良好的聚类效果.     

基于自回归XGBoost时序模型的GDP预测实证

GDP是反映一个国家国民收入、居民消费能力和经济发展的重要宏观经济指标,也是制定相关经济政策的重要依据.选择合适的统计方法研究GDP的发展变化规律,进行短期的高精度预测,对我国的宏观经济决策具有重要意义.研究选用基于自回归的XGBoost时序模型对我国1978-2018年GDP进行拟合预测,Rstudio软件运行结果显示,XGBoost时序模型比经典的时间序列预测模型ARIMA模型、BP神经网络模型、贝叶斯时序模型具有更高的预测精度.在此基础上,运用XGBoost时序模型对我国2019-2023年的GDP进行短期预测,研究结果显示,未来5年我国GDP依然保持持续稳定增长趋势.     

ARIMA模型在新疆巴州梅毒疫情预测中的应用

搜集2008-2014年新疆巴音郭楞蒙古自治州(简称巴州)梅毒月发病数据,采用时间序列分解方法(Time Series Decomposition methods)探讨该地区梅毒月发病率的季节性,建立ARIMA(0,1,1)(1,0,1)_(12)时间序列模型,模型预测值的动态趋势与实际发病率基本吻合,平均绝对百分比误差MAPE=17.36,具有较高的预测精度,可以较好的预测短期内梅毒的变化趋势,为梅毒的预防控制措施提供可靠依据.     

Conditional least squares and copulae in claims reserving for a single line of business

One of the main goals in non-life insurance is to estimate the claims reserve distribution. A generalized time series model, that allows for modeling the conditional mean and variance of the claim amounts, is proposed for the claims development. On contrary to the classical stochastic reserving techniques, the number of model parameters does not depend on the number of development periods, which leads to a more precise forecasting.Moreover, the time series innovations for the consecutive claims are not considered to be independent anymore. Conditional least squares are used to estimate model parameters and consistency of these estimates is proved. The copula approach is used for modeling the dependence structure, which improves the precision of the reserve distribution estimate as well.Real data examples are provided as an illustration of the potential benefits of the presented approach.     

干预ARIMA模型及其在我国人口总量预测中的实证研究

本文利用干预时序模型方法简明扼要地对我国建国以来的人口发展趋势建立了动态模型,并预测了未来几年我国人口发展的趋势。结果表明,此模型很好地解释了我国人口发展的动态结构,为促进我国人口政策的调整与扩展提供了很好的参考依据。     

基于时间序列分析方法的伊犁州GDP的预测研究

基于时间序列理论,以伊犁州1978年至2014年来生产总值为基础数据,利用Eviewes8.0软件对数据进行处理分析,并对模型进行显著性检验,综合各种条件确定最终时间序列回归模型,对伊犁州未来三年的生产总值做出预测,为伊犁州党委、政府制定相关经济政策和发展战略提供科学依据.     

基于ARIMA与信息粒化SVR组合的股指预测研究

对于证券市场投资者而言,基于合理假设准确预测资产价格未来发展方向与趋势关乎投资成败。本文通过构建一个基于ARIMA与信息粒化SVR的组合预测模型,对股票市场指数价格和收益变化的趋势进行预测。实证研究结果表明:基于ARIMA与信息粒化SVR组合的股指预测模型相较于传统时间序列模型而言,在预测精度和效度方面有较大提升,能够在一定时间周期内对股票等风险资产的价格波动区间进行较为可靠地预测,但目前还只能大致确定时间序列波动的区间范围而不能精确地预测具体点位。未来仍需结合其他预测模型和预判技术进一步深入研究,以有效提升股指趋势预测的准确性和实际指导性。     

基于ARIMA的基金组合绩效成长性的预测

对投资机构而言,准确预测其投资组合的成长性能够为其未来的组合管理提供有效参考.ARIMA时间序列模型能够针对具有时间序列属性的数据进行预测.选取三只债券型基金组成投资组合A并计算其组合指数,以中信标普全债指数为参考,通过ARIMA时间序列模型预测投资组合A的组合指数与中信标普全债指数的差额来预测投资组合A的成长性.     

货物吞吐量预测的改进ARIMAX方法——以天津港为例

为提高港口货物吞吐量预测精度,建立了基于ARIMAX-SVR的组合预测模型。以天津港为例,选取1999~2018年货物吞吐量数据进行分析,首先运用BP神经网络补插缺失数据,然后通过Pearson相关分析筛选出影响货物吞吐量的主要因素;再在ARIMA模型的基础上建立了ARIMAX模型,为进一步提高模型精度,最后建立了SVR模型修正的ARIMAX模型。实证分析结果表明组合模型拟合精度更高,预测效果更好,适用于港口吞吐量预测并且模型具有一定的先进性。     

广西经济增长与环境污染关系的库兹涅茨曲线研究

从环境库兹涅茨曲线假说出发,结合广西1997～2006年的主要污染物排放量和人均GDP数据,建立了广西环境污染与经济增长之间的多项式回归模型,并采用SAS软件进行分析,结果表明两者间呈倒"N"型分布.针对模型可能是因虚假回归而存在统计意义上的显著,对各序列依次做平稳性检验和对模型的残差项做协整性检验,保证了模型结果确凿可信.模型的建立不仅定量揭示出广西经济增长与环境污染程度之间的关系,而且剖析了经济增长与环境质量之间的变化规律,为广西环境与经济协调发展提供了决策参考和管理需求,为全面实施"生态广西"建设确立了科学依据.     

基于SARIMA模型的居民消费价格指数预测分析

本文基于SARIMA模型对我国1990—2010年的居民消费价格指数月度数据进行预测分析。利用Eviews6.0对统计数据的变化趋势及季节性进行验证,结果表明该模型合理、有效,预测值与实际值的估计误差控制的很好。