基于ARMA模型的股票开盘价分析及预测

以建设银行2018年1月2日至2019年12月26日的每个股票交易日开盘价的时间序列为研究对象,通过差分方法对原始序列进行平稳化处理,再采用AIC和HQ最小准则确定原始序列所满足的ARIMA模型.为了检验该模型的效果,利用模型对建设银行短期的股票开盘价进行预测,结果表明预测值与实际值较吻合,短期误差较小.     

时间序列分析法在预测未来GDP中的应用

时间序列分析法是根据已得到的时间序列数据,通过曲线拟合和参数估计来建立数学模型的理论和方法。本文是以郑州市的GDP为例,并运用ARMA模型预测法对未来5年郑州市GDP进行预测。     

基于ARMA模型的汇率走势预测及在商业银行外汇理财业务中的应用

汇率的变动,将对金融机构的外汇管理业务造成直接影响．由于影响汇率及其波动幅度的因素十分复杂,汇率波动频率较高,对汇率进行准确预测一直是一项十分困难的工作．近年来,ARMA模型开始被广泛地用于对变动频率较高的金融时间序列建模,它能较好地抓住此类时间序列的动态特征．以人民币汇率变动的历史数据为样本,通过建立MA（2）模型对未来的人民币汇率变动进行预测,以解决其在商业银行外汇理财业务中的应用问题．     

无线传感器网络中响应查询的 ARMA模型及预测

无线传感器网络是当前国际上备受关注的、由多学科高度交叉的新兴前沿研究热点领域之一,由于传感器节点能量通常不可补充,能源消耗是其中一个十分重要的问题．提出了在传感器网络中利用ARMA模型以对未来进行预测,该方法可以在传感器节点上使用,由于对数据进行了聚合,有效降低了通讯消耗;同时它还可以在sink节点上使用,因而具有广泛适用性．     

基于ARMA时间序列理论的建模及应用

介绍一种精度较高的时间序列短期预测方法,即带有周期性的ARMA模型。通过该数学模型的分析与研究,对时间序列整个变化的规律性做出近似描述,更准确的认识与了解到时间序列的结构与特征,进而达到最小方差意义下的最优预测。     

股票市盈率的ARMA模型建立及预测

针对寻找影响市盈率多种因素的困难,提出从市盈率的数据的本身出发,利用B-J时间序列分析方法建立自回归滑动平均模型ARMA,对股票市盈率分析并预测。对皖维高新股票的市盈率的数据实证研究并短期预测,结果表明其预测效果良好。     

ARMA模型参数估计的格林函数法

论文根据一个适当高阶的AR模型可与一个ARMA模型等价的原理,推导了以格林函数为中间变量,建立ARMA模型的线性方法。用此方法对太阳黑子数据进行计算,所得的模型参数,与用非线性最小二乘方法的结果近似,且较用逆函数算出的参数精度高。实践证明这一方法在一定条件下足可行的。运用这一方法建立自回归滑动平均模型,可避免采用非线性最小二乘方法,只需进行很少几次的线性最小二乘便可建模,较传统方法,可大大减少运算工作盛,并便于在微机上推广应用。     

浙江省人均GDP时间序列模型的建立与预测

人均GDP是各级政府和学术界经常使用的主要指标之一,科学预测人均GDP有着十分重要的意义.文章建立了浙江省人均GDP的时间序列模型,并预测了2008-2012年浙江省人均GDP的发展水平,说明了浙江省经济将在未来4年继续保持高速发展.     

时间序列分析在粮食产量预测中的应用

在预测粮食产量中可以应用时间序列分析.叙述了时间序列模型的辨识、预测及建模过程,利用Matlab系统辨识工具箱对时间序列进行数据预处理,相关分析,ARMA模型参数估计,并对2010年的粮食产量进行了预测.     

基于ARMA模型下的我国电力需求预测

根据历年电力消费量数据趋势图拟合出与之相似的指数回归曲线,然后对其残差序列利用时间序列进行分析和识别,建立起适合我国电力需求预测的指数回归-ARMA（1,1）模型．     

BP神经网络在GDP预测中的应用研究

在经济预测中,通常采用回归分析方法建立模型对经济运行进行拟合,但由于经济系统的复杂性,许多回归模型尤其是线性回归模型难以达到要求的精度。本文采用BP神经网络方法建模,利用其自学习和非线性的突出特点,得到了较为满意的预测结果。     

中国人均GDP的ARIMA模型分析与预测

人均GDP是反映一个国家综合实力的重要经济指标,由于经济波动的影响和随机因素的干扰,一般单变量模型模拟的效果较差,利用ARIMA(1,1,2)模型建模,可用过去人均GDP的值和过去误差来预测未来人均GDP的走势,有较强的预测能力,从而为经济政策的调整和制定提供参考.     

基于ARIMA模型的我国GDP短期预测

国内生产总值(Gross Domestic Product,简称GDP)常被公认为衡量国家经济状况的最佳指标,因此对GDP的预测越来越受到政府和公众的关注.由于影响GDP的因素有很多,而且这些因素间又常常存在多重共线性,所以准确找出影响GDP的重要因素并进行建模比较困难,而且经济数据常常是自相关非平稳的,因此本文采用ARIMA模型来拟合1991年到2010年的GDP数据并预测GDP.结果表明ARIMA(1,1,1）能较好拟合GDP数据,预测表明我国经济发展势头良好.     

基于ARIMAX模型的我国GDP预测分析

基于我国1980-2018年间的GDP和全社会固定资产投资总额数据,以全社会固定资产投资总额为自变量,利用SAS软件,首先建立动态回归模型对我国2019-2021年的GDP进行预测研究.然后建立ARIMA模型对GDP进行预测,预测结果与ARIMAX模型进行对比,发现ARIMAX模型预测更为准确.预测结果显示2019-2...     

基于改进ARMA模型的时用水量预测

针对时用水量存在周期性的特点,引入季节因子,采用时变ARMA季节模型对非线性非平稳系统的时用水量进行模拟.以杭州市实测用水量为例,分别采用时不变ARMA季节模型和时变ARMA季节模型进行时用水量预测,结果表明时变ARMA季节模型预测精度相对较高,且预测误差相对稳定,较时不变模型更具有实用性.     

基于MATLAB的自回归移动平均模型(ARMA)在股票预测中的应用

利用时间序列在t时刻的有效观测值去预测在某个未来时刻t+l的值,并建立自回归移动平均(ARMA)模型,以MATLAB为工具,亚泰集团360个交易日的数据作为样本,预测10天股市的收盘价;并与含有一个隐含层的BP网络模型进行对比,结果表明自回归移动平均(ARMA)模型算法对短期股价预测的精度较高.     

ARMA模型在柱状声场反演问题中的应用

本文讨论了适用于具有对称双边响应的线性系统的自回归——运动平均(ARMA)模型及其参数估计方法。将这一模型应用于计算机综合的阵列式声波测井全波列纪录数据的频率——波数域分析的结果表明,以相当短(约1.5m)的空域纪录可获得系统频率——波数城传递函数的非常精确的估计。     

时间序列分析技术在GDP增长预测中的应用

综合运用了判别时间序列平稳性的方法，建立了1952-2004年中国GDP的时间序列模型。为了消除虚假回归，利用单位根方法检验了时间序列的单整阶数；在判别差分序列的平稳性之后，利用AIC和SC准则判别了时间序列模型的自回归阶数(AR(p))和移动平均阶数(MA(q))；然后用OLS法对时间序列模型的回归参数进行了估计，对估计模型进行了白噪声检验，并对通过检验的回归结果进行了分析。