基于X12-ARIMA加法模型的保费收入研究

文章基于1999年1月～2011年8月中国保费收入月度数据,采用当下最为热门的季节调整方法X12-ARIMA加法模型,对其进行季节调整,得到经调整后的时间序列和季节调整因子,在假设季节调整因子短期内不发生变化的条件下,采用两种模型估计方法建立经调整后的时间序列模型,从而建立中国保费收入月度数据短期预测模型。

基于X12-ARIMA模型对我国社会消费品零售总额研究

社会消费品零售总额是衡量我国人民消费水平的综合指标,分析预测社会消费品零售总额的波动趋势对我国国民经济的发展具有重要的研究价值.收集2006年1月-2015年12月我国社会消费品零售总额的月度数据,运用基于X12-ARIMA季节调整下的时间序列模型,辅以Eviews软件,探究季节效应、长期趋势和不规则变动等因素对社会消费品零售总额的影响.并分别针对季节效应、长期趋势和不规则变动因素进行预测,综合分析未来我国社会消费品零售总额的发展趋势,为相关部门提出建设性意见提供理论依据.

中国游客赴日旅游消费的影响因素研究——基于X12-ARIMA模型的分析

2015年以来,我国出境旅游消费人数急速增长,其中赴日本旅游消费人数首次突破200万人,相比2008年,增幅超过40%。本文选取2008年到2015年间共96个月的数据,从经济因素和非经济因素两方面进行实证分析。结果表明,中国个人赴日旅游签证政策的调整使得中国赴日本旅游消费人群结构发生变化,由最初的高收入人群为主逐渐向中等收入群体倾斜。此外,研究发现,汇率、CPI等经济因素对高收入人群的出行决策影响不大,但会对中等收入群体产生较大影响。基于以上分析,文章最后对我国发展旅游消费市场提出了相关对策建议。

基于X12-ARIMA方法的北京市猪肉价格变化研究

基于2002—2014年北京市批发市场猪肉价格数据,采用X12-ARIMA时间序列分解的加法模型以及HP滤波方法将价格数据分解成长期趋势、周期波动、季节波动和随机波动。中长期来看,周期性因素是影响猪肉价格偏离长期趋势的最主要因素,对猪肉价格变化的平均贡献率为60.7%,季节性因素对猪肉价格变化的影响先稳定后加大,对猪肉价格变化的平均贡献率为26.5%;猪肉价格长期趋势出现拐点,2012年7月开始转入下行,进入猪肉价格长期趋势下降阶段以后,季节性因素对猪肉价格变化的影响持续增强,取代周期性因素成为影响猪肉价格变化的首要因素,对猪肉价格变化的平均贡献率上升到51.3%;周期性因子衰弱的现象趋于显著,对猪肉价格变化的平均贡献率由之前的68%下降到30.1%。

基于X12-ARIMA和LSTM组合模型的城市蔬菜价格波动规律及预测

蔬菜产业是社会的主导产业之一,是国民经济的重要组成部分,获取准确有效的蔬菜价格波动信息是种植技术员安排生产以及市场价格调控人员实施决策的重要依据.以成都市莴笋价格为例,提出一种基于时间序列的X12-ARIMA和长短期神经网络(LSTM)组合价格数据预测模型,重点比较研究组合模型的预测效果.首先通过H-P滤波方法和CensusX12对价格数据进行分解,分析其波动规律,再使用X12-ARIMA模型对蔬菜价格序列进行预测,揭示其线性特征,最后利用LSTM模型对X12-ARIMA预测模型的误差序列进行建模预测,得到蔬菜价格波动的非线性规律,二者预测值之和就是组合模型的预测值.实验结果表明,成都市蔬菜价格有季节性循环等特性,且通过对比和分析显示,提出的组合模型预测精度更高和性能更优,可作为预测城市蔬菜价格异常波动的参考依据.

时间序列季节调整方法在中国的发展：PBC版X-12-ARIMA

中国人民银行(PBC)版X-12-ARIMA软件是基于中国特点而定制的时间序列季节调整软件。通过总结时间序列季节调整方法的特点以及相应软件在国外的发展,针对我国应用的特点,尤其是春节因素的考虑,在解剖X-12-ARIMA方法原理的基础上,在春节因素计算方法、软件应用界面以及用户使用帮助等3个主要方面加以改进,具有数据导入、调整设置文件、运行方式以及结果输出4方面的特色。

结合X12乘法模型和ARIMA模型的月售电量预测方法

月售电量是具有趋势性、季节性和随机性的非平稳负荷,直接预测难度较大。为解决该问题,结合X12乘法模型与差分自回归移动平均(ARIMA)模型提出一种新的月售电量预测方法。首先,用X12乘法模型将历史月售电量分解为趋势分量、季节周期分量和随机分量,其中趋势分量用ARIMA模型预测,季节周期分量和随机分量分别用加权法和平均法预测;然后,用乘法模型将上述3个分量的预测值还原为最终的月售电量预测值。该方法可避免直接预测月售电量时不同分量间的相互干扰,提高预测精度;最后用重庆市铜梁区实际数据进行仿真分析。仿真结果表明,相对于ARIMA和季节ARIMA模型对月售电量序列直接建模预测的方法,所提方法具有更高的预测精度。

基于Census X12和ARIMA模型的香菇价格波动特征分析--以山东省为例

香菇（Lentinus edodes）是我国目前产量最高的食用菌品种，其价格波动关系到香菇生产者的收入水平和食用菌产业的发展。根据中国食用菌协会、山东省食用菌协会、中国食用菌商务网等对山东省主要蔬菜批发市场食用菌价格的统计数据，利用CensusX12季节调整法和H—P滤波法对2010年5月～2015年6月的香菇价格波动进行了分析。发现夏秋两季香菇价格较高，冬春两季价格略低，且长期来看香菇价格呈增长趋势。随后运用ARIMA模型对2015年7月～12月的香菇价格进行了预测，结果显示2015年下半年我国香菇价格将继续保持增长趋势。最后提出可以通过建立和完善价格信息平台，推行价格保险制度，研发低成本温度控制技术和设备，提高香菇散养户的组织化程度等措施稳定香菇的市场价格，促进散养户增收等相关对策建议。

我国玉米价格波动分析及短期预测——基于X12季节调整法、H-P滤波法及ARIMA模型

利用X12季节调整法和H-P滤波法对2007年1月—2018年3月我国玉米价格时间序列进行分解,研究其波动规律。结果发现,玉米价格受季节因素影响较大,整体趋势为先上升后下降,并呈周期性波动。利用ARIMA模型预测玉米价格走势,发现短期内玉米价格会有小幅度的上升。

我国体育娱乐用品零售类值波动特征分析及短期预测

体育娱乐用品行业作为体育产业的重要组成部分,是推动国民经济发展的重要驱动。该研究基于统计学原理,运用X12-ARIMA模型对我国体育娱乐用品零售类值进行实证分析。研究表明:2017—2021年我国体育娱乐用品零售类值有明显的周期性波动,且X12-ARIMA模型对体育娱乐用品零售类值的拟合效果理想,故此模型可以用于对未来体育娱乐商品零售类值的预测。该文预测结果显示,6月份与11月份为每年的阶段性峰值,而2023年相比往年的上升趋势更明显。基于此,该文对体育娱乐用品行业的发展提供了针对性的政策建议。

我国鸡蛋价格波动规律及影响因素分析

文章基于2001—2016年我国鸡蛋价格月度数据,运用X12-ARIMA加法模型、HP滤波方法和协方差,分析我国鸡蛋价格波动规律及新特征、影响和应对措施。结果表明：我国鸡蛋价格季节性、周期性波动明显;由生产成本等所决定的趋势因子和由供需失衡所形成的循环因子是鸡蛋价格波动形成的主因,假日效应、蛋鸡产蛋规律等所形成的季节因子对鸡蛋价格波动的贡献次之,突发动物疫病等引起的不规则变动贡献最小;近年来鸡蛋价格持续上升态势不再明显,但波动周期缩短,频率加快;“元旦”“春节”对蛋价的推升作用稳定,而“中秋”“国庆”等推升作用趋显;趋势因子对鸡蛋价格波动的贡献比例大幅降低,循环因子对鸡蛋价格波动的贡献比例大幅上升,季节因子的贡献比例也有较大幅度上升。

中国保费收入的预测研究

文章基于1999年1月-2011年8月中国保费收入月度数据，采用最为热门的季节调整方法X12-ARIMA加法模型，对其进行季节调整，得到了经调整后的时间序列和季节调整因子，在假设季节调整因子短期内不发生变化的条件下，采用三种模型估计方法建立经调整后的时间序列模型，从而建立了中国保费收入月度数据短期预测模型。

计及峰谷分时的配电线路同期月线损预测方法及应用

提出了一种计及峰谷分时的配电线路同期月线损预测方法。该方法首先采用X12-ARIMA方法对台区和高压用户的月尖峰平谷售电量分别进行预测;然后采用非线性最小二乘法建立台区历史月售电量与历史月线损的关联模型对台区线损进行预测,进而得到台区关口供电量;最后根据高压用户月售电量预测结果和台区关口供电量通过前推回代方法得到主线路线损,将台区线损与主线路线损相加得到配电线路同期月线损预测值,并通过实际算例验证了方法的正确性和有效性。

基于神经网络的期铜价格趋势预测研究

运用X-12-ARIMA季节调整方法,对上海交易所三月期铜月平均价格进行季节性调整,消除了季节因素和不规则因素对铜价的影响。针对季节调整后序列,分别建立了BP、RBF、Elman等神经网络模型,并对期铜价格进行预测。预测效果比较说明,与传统的神经网络相比,Elman神经网络模型具有收敛速度快、预测精度高的特点,能在期铜价格预测方面取得较好的效果。

消费经济的监测预警指标信息提取及应用

利用景气分析法来研究我国消费经济的监测与预警时,要求选取的监测预警指标能客观反映消费经济的发展趋势和循环波动,但是绝大多数指标的变化同时还包含了季节变动和不规则要素,必须将其剔除。文章介绍了X12-ARIMA信息提取方法,并利用X12-ARIMA方法实证分析了我国消费监测预警指标的信息提取过程。

基于三种时间序列模型的矿井涌水量预测

为实现矿井涌水量的有效预测,提高预测精度,基于鹤壁八矿2009—2019年的月度涌水量数据,运用时间序列分析软件Eviews9.0建立了X12季节调整、ARIMA(2,0,1)、SARIMA(2,0,1)×(0,1,1)_(12)模型,并使用2019年月度涌水量数据进行验证。通过比较3种模型的预测误差,探讨鹤壁八矿矿井涌水量预测的最优模型。结果显示,3种模型对涌水量的预测效果都比较好,其中预测精度最高的模型为ARIMA(2,0,1),SARIMA(2,0,1)×(0,1,1)_(12)模型次之,X12季节调整模型略差。对3种模型的可能误差来源进行了研究分析,可为矿井涌水量预测提供新思路。

地方经济GDP的预测方法研究

基于Holt-Winters模型、X12-ARIMA模型和SARIMA模型,利用Eviews软件对湖州市小吴兴区从2011年第一季度到2016年第四季度GDP数据进行分析和预测。通过比较相对误差,结果表明SARIMA模型与其他模型相比相对误差较小,预测精度较高。最后选择SARIMA方法对湖州市小吴兴区2017年度的GDP进行预测。