基于Box-Jenkins方法的青南高原降水量时间序列分析建模与预测

应用基于Box-Jenkins方法的时间序列分析技术,对青南高原的四个典型地区1961-2005年降水量序列进行ARMA建模分析:验证了四地区年降水量序列的时间序列特性,研究并选择了这些序列的最佳ARMA模型,本文也通过模型对未来降水量进行了预测.模型实证分析的结果表明:在青藏高原降水量时间序列分析建模与预测方面,Box-Jenkins方法及其模型是一种精度较高且切实有效的方法模型.     

自协方差非平稳时间序列的时变参数自回归模型

对一簇时间序列明确定义了自协方差非平稳时间序列.对于自协方差非平稳时间序列,提出了用于自协方差非平稳时间序列的3种时变参数自回归（TVPAR）模型：满阶TVPAR模型、非时变阶次TVPAR模型和时变阶次TVPAR模型.并进行了有关的最小赤池信息量准则（AIC）估计.     

Autoregression Model of Time Series with Matrix Cross-Section Data北大核心CSCD

矩阵型截面数据时间序列的优点在于可以同时刻画多个对象的多个属性.本文重点研究了矩阵型截面数据时间序列的自回归模型,给出了该模型的参数估计、模型识别、白噪声检验三个方面的理论结果.最后再利用矩阵型截面数据时间序列自回归模型,对两支银行股的日收益率序列和日成交量变化率序列进行建模分析.     

模糊时间序列模型研究综述

模糊时间序列模型是为解决经典时间序列分析方法不能处理模糊问题而诞生的,随着人们解决复杂问题需要的日益增加,对它的研究越来越深入,应用越来越广泛。首先,在简单介绍模糊时间序列模型框架的基础上,本文总结了预测模型建立过程中的几个关键问题,分析了现有研究成果就这些问题的处理方法的优点与不足;随后介绍了模型的应用现状;最后,就模型的研究趋势及相关问题探讨了模糊时间序列模型的研究方向。     

一种改进的基于指数平滑神经网络模型的时间序列预测方法

基于指数平滑模型与误差反传神经网络法提出了一个改进的时间序列预测方法.将神经网络模型移植入指数加权滑动平均模型中,充分考虑了时间序列的部分线性性和非线性性对预测结果的影响,是传统的混合模型的一个更合理的改进.最后通过对上证指数时间序列的实证分析,以预测均方误差为检验标准,对五种常用的时间序列预测模型进行了预测精度的比较,而且经验证所提出的改进的时间序列预测模型相对来说具有更小的预测均方误差.     

基于不动点的模糊时间序列模型

模糊时间序列在解决模糊性和不确定性数据方面表现出明显的优势.为了提高模型的预测精度,将数学理论中不动点理论与时间序列模型相结合,提出了分式函数、逆分式函数、预测函数的定义,并且证明了预测函数值收敛定理.在这些理论基础上,建立了一种基于不动点的模糊时间序列模型,进一步完善了模糊时间序列理论.预测结果表明,该模型具有预测精度较高、理论完整、鲁棒性强、应用范围广的特点.     

基于SARIMA、GM(1,1)和BP神经网络集成模型的GDP时间序列预测研究

本文深入分析了灰色预测模型、自回归移动平均(ARIMA)模型和BP神经网络模型的预测特性和优劣,并在此基础上建立了由ARIMA、GM(1,1)和BP神经网络集成的时间序列预测模型。针对呈现趋势变动性和周期波动性二重特性的时间序列,首先建立GM(1,1)模型对序列的趋势项进行预测,然后建立基于ARIMA和BP神经网络的组合模型对序列的周期波动项进行预测,最后用乘积模型对二者预测值进行集成。GDP时间序列实证结果表明:集成模型的预测效果显著高于单一模型,从而证实了集成模型用于GDP预测的有效性.     

增长型经济变量的趋势时间序列预测模型

针对增长型外汇储备时间序列变化复杂性的特点,可以建立确定性趋势的时间序列模型及包含单位根的随机趋势模型.实际计算显示,确定性趋势的时间序列模型具有较高的预测精度.     

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。     

多种时序模型的建模比较

本文通过不同的时间序列模型对同一批数据的建模及预报，在不同的模型间进行了比较，并且根据原始数据的性质指出了一些时间序列模型的适用范围，     

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.     

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.     

路面平整度的时间序列模型

介绍非标准道路的路面平整度的时间序列模型,研究道路实测数据的时间序列模型.通过对实际路段的数据采集,进行道路平整度实例分析和道路平整模型的平稳性检验、模型的识别和估计,确定了模型参数,检验模型的适用性.实例表明了模型的置性度和合理性.     

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.     

路面平整度的时间序列模型

介绍非标准道路的路面平整度的时间序列模型,研究道路实测数据的时间序列模型.通过对实际路段的数据采集,进行道路平整度实例分析和道路平整模型的平稳性检验、模型的识别和估计,确定了模型参数,检验模型的适用性.实例表明了模型的置性度和合理性.     

结构向量自回归时间序列的链图模型识别方法

本文研究了结构向量自回归时间序列的链图模型识别方法.利用局部密度估计法以及Bootstrap方法,给出了时间序列链图模型的概念以及模型结构识别方法.模拟结果显示本方法能有效地识别结构向量自回归模型变量问的相依关系.     

红塔系列香烟月均价格的时间序列分析

本文利用时间序列的方法,对带有删失数据的红塔烟草系列的月度平均价格进行了统计分析。得到了一定置信水平下的时间序列模型。为进一步的定性分析提供了模型基础。     

分形整合过程在经济预测中的应用

首先采用一个分形整合模型——误差逗留模型 (Error-Duration Model)仔细推导了分形时间序列过程的性质 ,特别是序列自相关系数的性质 ,表明分形整合过程与常规的时间序列分析工具有很大的不同 ;然后以一个实际的时间序列为例 ,说明了分形整合过程在经济预测中的应用比传统的分析工具有较好的预测精度     

双重随机时间序列模型的平稳性条件

一、引言 一般的ARMA(p,q)时间序列模型定义为:这里{X_t}为可观测序列,{e_t}为零均值、定方差的白噪声序列。此模型的用途是众所周知的,它的统计理论也是相当完备的。 在实际应用中,许多数据序列并不适合于(1.1)式的模型,为了适应这些情况,人们提出了许多(1.1)的改进模型,如时变参数模型、时间相关的剩余参数模型、双线性模型、     

证券组合的Markov链模型

本文将证券价格时间序列分解成趋势变动序列和 Markov链 ,建立了证券组合的 Markov链模型 ,应用 Markov链理论对此模型进行了分析 ,给出了充分大的一个时间内的收益率 ,风险和切点组合的计算公式