郑州市居民消费价格总指数的预测

借助SPSS软件,对郑州市2001.1-2006.9期间居民消费物价指数进行了分析,通过对比了ARIMA模型和带周期性的ARIMA模型对物价指数的预测效果,指出郑州市物价指数具有季节性和周期性特点,并预测了2006年第4季度郑州市的居民消费价格水平。     

基于ARIMA的居民消费价格指数建模与预测

根据我国2007～2010年的实际居民消费价格指数，建立了基于ARIMA的物价指数预测模型。实验结果表明，该模型的绝对误差以及百分比绝对误差都控制在了一定范围之内，因此该模型拟合效果较好，预测值接近实际值。最后，应用该模型对我国2011年1月至5月的居民消费价格指数进行了预测。     

季节ARIMA模型在我国肺结核发病率预测中的应用

目的探讨应用季节ARIMA模型对我国肺结核发病率进行预测的可行性.方法对我国2005年1月-2010年12月肺结核逐月发病率建立季节ARIMA模型,并对预测效果进行评价.结果 ARIMA（3,1,0）×（0,1,1）12模型很好地拟合了既往数据,对2011年1月-9月发病率的预测值符合实际发病率变动趋势.结论季节ARIMA模型能很好地模拟我国肺结核发病率的变动趋势,将其应用于肺结核发病率预测是可行的.     

时间序列分析在居民消费水平指数预测中的应用

该文利用SAS统计软件对我国1978-2009年的居民消费水平指数数据进行分析,分别建立了ARIMA模型和Auto-Regressive模型,并给出了反映各个模型拟合精度的AIC值和SBC值,进而确立了一个反映居民消费水平指数变化规律的较优模型.最后,利用该模型对2010年到2014年的全国居民消费水平指数进行了预测.结果表明ARIMA((2),2,0)模型在短期预测中达到了较高的精度.     

基于ARIMA模型的我国粮食产量时间序列分析

本文介绍求和自回归于移动平均模型ARIMA（p,d,q）的建模方法。基于1978-2009年我国粮食生产总量的数据分析与预测,并用Eviews软件完成建模过程。通过两个模型预测效果的比较,结果表明,平滑ARIMA模型比ARIMA模型预测的准确度大大提高。     

基于ARIMA模型的我国一次能源生产量时间序列分析

采用ARIMA模型对我国1950～2008年的一次能源生产量数据进行分析。利用Eviews软件建立了相应数学模型,并用该模型对当前值与未来值做了预测。结果表明,预测效果较好,可以用于对未来进行短期预测。     

基于ARIMA模型算法的频谱时间序列预测分析

结合频谱时同序列的特点,选择ARIMA模型作为预测模型,通过ARIMA模型算法的流程分析,初步论证预测模型及预测精度的可靠性.     

基于ARIMA模型的我国对外出口总额发展趋势预测

近年来,我国的出口总额平均年增长率已经超过了GDP的发展速度,这体现出了我国对外贸易事业迅速发展。文章应用ARIMA模型,借助EVIEWS软件建立了我国1992年至2006年出口贸易总额变化的ARIMA预测模型,并对我国07年出口贸易的发展情况作出了预测。     

时间序列分析方法及人民币汇率预测的应用研究

在简要介绍时间序列模型的基础上,使用人民币／美元的日汇率值进行实证研究,建立相应的ARIMA模型和EGARCH模型并进行预测和评价。研究结果表明,EGARCH模型的预测结果较ARIMA模型理想,适合描述人民币／美元汇率的变动趋势。     

中国人口数量的时间序列分析

本文运用时间序列模型（ARIMA模型）对中国人口进行分析与预测,应用Eviews6．0软件对1949～2007年中国人口数据进行拟合,建立ARIMA模型,运用2008～2010年的人口数据来验证模型,并对2011年的总人口数进行了预测。     

ARCH族模型对沪市综合指数的实证分析

本文选取沪市股价综合日指数(1999/01/01～2002/12/30)作为样本,根据有效市场理论,利用股指的随机游走过程对上海股市的有效性进行检验,建立ARCH模型验证上海股市的可预测性.实证结果发现,上海股市具有杠杆效应、波动集群性和波动持续性.     

基于ARCH类模型对沪市波动性的实证研究

在对股票市场的研究中,波动性一直是比较重要的一方面,利用ARCH类模型对上证综指日收益率进行分析,得出上证综指具有集聚性和长期记忆性。     

中国股票市场亏损股价格波动的统计分析

亏损股的价格波动是金融理论界和实务界的关注热点之一。将协整模型与ARCH模型和GARCH模型相结合，可探知亏损股板块的价格波动特征；进而采用脉冲响应函数和方差分解法可得知亏损指数波动和市场指数波动的相互冲击效应和相互影响程度。     

中国居民消费价格指数的ARIMA预测模型

本文将2009年1月至2014年12月期间的中国居民消费价格总指数进行了分析,对序列进行了季节性检验和季节性调整,通过计算季节指数,利用时间序列图以及ADF检验方法检验了调整后序列的平稳性,得到了居民消费价格总指数的ARIMA模型.最后分别对CPI进行静态预测和动态预测,将预测结果乘以季节指数将预测结果还原,得到了较为满意的结果.     

居民消费价格指数的ARCH模型及实证分析

本文根据居民消费价格指数时间序列（CPI）数据本身的特点,建立了CPI的自回归模型、一到三阶ARCH模型。比较各个模型参数,得到CPI短期预测最优模型为自回归一阶ARCH模型。预测效果图表明：自回归一阶ARCH模型在预测趋势突变时会有一定的滞后性。     

山东省物价波动变化实证分析

以1993年1月至2000年8月山东省居民消费物价指数序列为样本,采用动态序列分析理论中的乘法模型,对排除掉季节变动与长期趋势变动的物价指数序列进行了分析.通过散点图直观检测物价指数序列的均值是否变化异常;利用维彻尔和米勒鉴别时间序列波动变化异常点的方法,检测物价指数序列方差是否波动异常.结果表明,物价政策是导致物价剧烈波动的主要因素,但随着经济市场化的发展,物价政策的作用呈逐步减弱之势.因此,在物价问题上,政府职能应逐步实现由价格管制到间接调控和市场监管的转变.     

时间序列分析的历史发展

阐述了时间序列分析的发展历程：早期自然科学主要应用单纯的描述性分析;差分、指数和滑动平均等基本概念推动了统计性时序分析的发展;以Fourier级数为基础的周期图方法是频域分析的核心内容;时域分析经过了从AR（2）模型、AR（4）模型→AR（s）模型＋MA（h）模型→AR-MA（s,h）模型→ARIMA模型→ARCH、ARCH族模型的漫长过程.     

CARCH模型在上证指数收益率分析中的应用

本文运用Engle的ARCH法对上证指数收益率的异方差性进行了详细的分析,得出涨跌幅制制度的实施对收益率的异方差性有明显的影响,序列异方差性与序列长度存在密切的关系.在运用CARCH模型对序列进行拟合时,发现拟合模型的阶数与序列长度也存在一定的关系.     

组合模型对居民消费价格指数序列的分析及预测

求和自回归移动平均模型(简称ARIMA)及支持向量回归模型(简称SVR)是两个重要且行之有效的分析及预测时间序列的方法.他们都能在一定程度上反映数据所包含的信息且信息不会完全重叠.为了能够各取所长,本文用这两种模型的组合模型对居民消费指数(CPI)进行了预测,结果显示组合模型提高了指数的预测精度.