GARCH模型在中国股票波动预测中的应用

大量的实证研究表明诸如股票价格等经济类时间序列具有方差随时间变化即异方差的特点.目前被认为最集中地反映了方差变化特点而被广泛地应用在金融时间序列上的模型为广义自回归条件异方差(GARCH)模型.应用GARCH模型对我国股票波动率进行应用预测分析,结果表明模型对波动率进行了很好的预测.这对股票投资者尤其短期交易者具有指导意义.     

基于GM(1,1)-Markov链组合模型的河南省粮食产量预测

针对粮食产量预测中随机性和波动性特点,建立适用性较强的GM(1,1)-Markov链组合模型。选取2006-2019年河南省粮食产量为原始数据序列,建立GM(1,1)-Markov链预测模型,对河南省2020-2022年的粮食产量进行预测。从平均相对误差、后验差比和小误差概率三个方面对模型进行检验,模型精度标准均为一级。GM(1,1)-Markov链模型的平均相对误差和平均绝对误差相对于GM(1,1)模型分别减小了25.32%和21.81%,表明该模型对河南省粮食产量预测有较高的实用性。     

基于结构方程模型改进ARMA模型参数估计

自回归移动平均模型（ARMA模型）是目前最常用的拟合平稳序列的模型,分为AR模型、MA模型和ARMA模型三大类。通常将自回归模型（AR）、移动平均模型（MA）或自回归移动平均模型（ARMA）,称作ARIMA模型体系,是一个重要的预测工具,成为时间序列分析中许多基本思想的基础。针对时间序列数据分析中ARMA模型的识别、建立和估计问题,提出一种将SEM结构方程应用于ARMA模型参数估计的改进算法,以加快计算的收敛速度和提高模型参数估计的精确度。通过将时间序列数据的协方差式子进行变换,发现其结果满足结构方程对变量协方差的要求。结果表明,可以将SEM结构方程应用于ARMA模型来处理时间序列模型数据。     

灰色时序组合模型在厦门港口货物吞吐量中的应用

通过对厦门港口之一的国际货柜码头月吞吐量数据进行预测分析证明了用GM(1,1)和ARMA时序组合模型共同描述吞吐量变化的优越性,并对预测值与实际值作了比较,说明该模型具有较高的预测精度和应用价值.     

GM(1,1)-ARMA(n,m)预测模型及应用

GM(1,1)模型是以灰色系统理论为基础的预测模型,而ARMA(n,m)是以时间序列为基础的预测模型.由于二模型各具其特点,并各有局限性.但二者能取长补短.文献[1]给出了混合模型GM(1,1)-ARMA(n,m),但在具体预测时由于运算量大,没有合适的计算机处理程序使之显得不方便.本文根据其原理,完善了计算方法,给出了预测公式.经过例子验证,结果是理想的.     

GARCH模型族在沪深300中的比较研究

利用GARCH、EGARCH和GJR带正态分布和t分布的GARCH模型族对沪深300指数日收益率进行了统计拟合比较分析,得到了收益率序列尖峰厚尾性和异方差性等主要概率特征,并对GARCH、EGARCH和GJR带正态分布和t分布的GARCH模型族的预测效率进行了比较分析,发现基于学生t分布的GARCH(1,1)模型是最优的拟合模型,可以较好地提供沪深300指数未来两日的波动率预测。     

IGOWTA算子组合预测模型在单时间序列中的应用

首先介绍了GM(1,1)、ARMA、RBF模型,然后提出诱导广义有序加权正切平均算子(IGOWTA)的概念,基于IGOWTA算子建立了GM(1,1)-ARMA-RBF组合预测模型,实证结果表明这种组合预测模型比其单一模型的预测精度更高、误差更小.     

基于GARCH类模型沪深300股指期货波动率预测研究

文章以沪深300股指期货为研究对象,对GARCH类模型的样本内、外预测表现进行评价.选取日收盘价数据,对其日对数收益率序列进行基本的统计分析,验证序列具有ARCH效应.通过泊松拟合优度检验模型的标准化残差假定分布,选取最优的分布建立GARCH类模型.以已实现波动率作为波动率预测的评价标准,采用M-Z回归和损失函数对预测效果进行检验.结果表明,GED分布假设下的GARCH(1,1)模型是预测沪深300股指期货收益波动率最强的模型.     

ARMA模型在经济工作中的应用

ARMA模型由于其简单性、可行性和灵活性,在分析时间序列中发挥着积极的作用。本文以河北省1985—2009年的职工平均工资为基本数据．用时间序列分析中的ARMA模型扣统计学软件SAS软件对数据进行分析和建模,得出模型的参数,井对后续的数据进行预测,结果表明预测效果良好。     

时间序列模型在CPI预测中的应用

利用时间序列模型对全国2000年5月到2012年4月的月度居民消费价格指数（consumption priceindex,CPI）建立了自回归移动平均模型（ARMA）。并对2012年4月的CPI进行了预测,结果表明,ARMA（1,1）是描述我国CPI变化趋势相对较优的时间序列模型。     

基于卡尔曼滤波的四川省社会消费品零售额预测

卡尔曼滤波算法是一种最优线性递推估计方法,受数据分布特点影响小,适应范围广,建模简单,适合于对各种复杂时间序列的预测,效果显著。鉴于四川省社会消费品零售额数据分布不光滑,运用卡尔曼滤波算法对之进行了预测,取得了很好的效果,平均预测误差仅0.772406%,比ARMA模型的平均预测误差2.1323%减小了63.7756%。由模型预测得到2019年四川省社会消费品零售额为21570.26亿元。     

非线性GARCH模型在人民币汇率预测中的应用

介绍了时间序列处理中常用的非线性GARCH模型,对汇改以来人民币对美元汇率进行预测.在论证GARCH模型可行性基础上,采用一步向前预测方法对实际数据进行预测,得到了较好的结果.     

基于 ARMA 模型的鞍山市空气质量预测分析

基于鞍山市2015年4月2日～26日的空气质量指数数据,将其看为时间序列。通过对其平稳性、自相关和偏相关性的分析,建立了鞍山市空气质量预测ARMA模型。通过实际数据进行预测,并检验模型的精准性。结果表明ARMA模型能收到较好预测效果。     

灰色系统理论在统计分析与预测中的应用

根据山东统计数据信息,以山东省农村居民收入支出为例,应用灰色系统理论建立农村住户人均收入和支出的时间（1999—2006年）序列模型,分析收入和支出的内在关系和变化趋势,给出了GM（1,1）模型的实现方法。通过对预测结果的检验,证明灰色GM（1,1）模型具有准确性高、拟合效果好的特点。     

我国股票市场价格波动特征研究

股价在正常范围内的波动是投资者赚取回报的基础,是股票市场正常发展道路上所应当具有的必要条件,探究我国股票市场价格波动的特征有利于其健康发展.本文以上证综指作为研究对象,运用差分方法处理时间序列,并建立了ARMA模型以及GARCH族模型,对我国股票价格波动特征进行了深入的分析,从而得出其存在显著的非对称效应和杠杆效应的结论.     

基于ARIMA模型的短期风速预测方法

ARIMA模型的实质就是差分运算与ARMA模型的组合.这说明任何非平稳序列只要通过适当阶数的差分和选择合适的差分算子就可以实现平稳化处理.由于不同的随机时间序列有着不同的特点,需要选择合适的差分算子来匹配.为了提高风电场风速的预测精度,本文研究了两种不同的差分算子对随机时间序列的影响,分别采用一阶线性差分和一阶对数差分实现了序列的平稳化处理,对差分后的序列进行ARMA队模型拟合与预测,并将两种预测结果进行了对比.     

基于修正残差的G-Markov模型的河南省小麦产量预测

粮食产量是一个非平稳的时间序列,结合经典灰色理论和Markov模型所产生的修正残差的G-Markov模型,能较好地对非稳定时间序列的状态转移行为进行预测.以河南省小麦产量预测为例,在传统GM(1,1)模型的基础上,对其预测值与实际值的残差序列进行Markov模型预测,更好地发挥了两个模型的优势.经检验证明,修正残差的G-Markov模型在小麦产量预测方面比传统的灰色GM(1,1)模型具有更高的精确度.     

丽江海外旅游人数预测的GM(1,1)模型优化

分析传统灰色GM(1,1)模型存在的缺陷,从数据处理、初值选取与背景值改进三个角度提出一种GM(1,1)模型的综合优化方法.对原始数据进行线性对数-指数函数变换,以预测值与真实值的误差平方和最小原则重选初值,用累加序列拟合曲线积分重构背景值.综合优化的GM(1,1)模型应用于丽江海外旅游人数预测,与传统GM(1,1)模型对比,平均相对误差从2.43%改进为2.07%,关联度检验效果由"不满意"提高到"满意".     

基于时间序列分析法的种群动态变化研究

种群数量动态变化预测在维持生态结构稳定性,把握群落结构变化规律等方面发挥着至关重要的作用.基于时间序列分析法,建立了种群动态变化的ARMA、NLAR以及GM(1,1)预测模型,并将建立的三种预测模型应用于捕食者与猎物种群数量动态变化预测中.预测结果表明:GM(1,1)通过累加消除了种群数量的随机波动性,所建立的预测模型...     

基于GARCH模型的我国股市风险分析

通过对上证指数收盘指数进行实证分析,采用正态分布、t分布和GED分布分别刻画收益率序列特征,运用GARCH模型对收盘指数序列进行波动性建模.根据GARCH模型的估计结果计算出VaR和CVaR值.由结果可知,通过计算GED分布下的GARCH(1,1)模型的CVaR值是衡量股市风险的最佳模型.