基于小波分解和ARIMA-GARCH-GRU组合模型的制造业PMI预测

制造业采购经理人指数(PMI)是反映国家经济运行情况的重要指标,而传统预测模型对该类时序数据预测精度不高。针对制造业PMI指数的非线性、波动性和数据量少的特点,提出一种基于一维离散小波变换进行数据预处理的组合模型。时序数据经过小波变换,由整合移动平均自回归–广义自回归条件异方差模型(ARIMA-GARCH)处理稳态低频数据,门控循环单元(GRU)处理波动性强的高频数据,将各频段预测结果进行融合得到最终预测结果。为验证模型有效性,选取一定数据量的PMI指数进行实验。结果表明,与其他常见模型对比,本文构建的组合模型具有较好的预测精度与性能,平均绝对误差(MAE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)分别达到0.00329、0.004162、0.65%。

基于ARIMA-GARCH模型的人民币汇率波动研究

人民币正式加入SDR以来,人民币汇率的波动日益复杂,而汇率变动特征的识别是预测人民币汇率的关键环节。为提取出人民币汇率波动的特征规律,本文选择对2016年10月10日—2020年10月10日的人民币兑美元日序列建立模型并预测。同时,本文为评价ARIMA-GARCH组合模型的预测效果,将其与ARIMA模型预测结果相互对比。结果显示,ARIMA-GARCH模型不仅可以提取出人民币汇率波动的规律性,还可以改良ARIMA模型的预测精度,预测精度最高,在短期内能够得到较好的预测值。

基于ARIMA-GARCH的原油期货价格预测研究

原油作为目前世界上的主要能源之一,其价格对全球各国的政治、军事和经济等方面具有极为重要的意义,原油及原油衍生品价格的预测一直是能源研究领域的重要课题。因此,许多方法如计量方法、机器学习和统计方法等都被用于原油价格和原油期货价格的预测。本文选取2020年1月2日至2023年9月1日上海国际能源交易中心的原油期货主力连续合约收盘价作为研究对象,通过构建ARIMA-GARCH模型进行实证分析,得出该模型适用于对原油期货价格进行短期预测的结论。最后针对影响原油价格变动的因素复杂且交错的现状,对原油行业的企业提出相关建议。

Time-varying confidence interval forecasting of travel time for urban arterials using ARIMA-GARCH model

To improve the forecasting reliability of travel time, the time-varying confidence interval of travel time on arterials is forecasted using an autoregressive integrated moving average and generalized autoregressive conditional heteroskedasticity （ARIMA-GARCH） model. In which, the ARIMA model is used as the mean equation of the GARCH model to model the travel time levels and the GARCH model is used to model the conditional variances of travel time. The proposed method is validated and evaluated using actual traffic flow data collected from the traffic monitoring system of Kunshan city. The evaluation results show that, compared with the conventional ARIMA model, the proposed model cannot significantly improve the forecasting performance of travel time levels but has advantage in travel time volatility forecasting. The proposed model can well capture the travel time heteroskedasticity and forecast the time-varying confidence intervals of travel time which can better reflect the volatility of observed travel times than the fixed confidence interval provided by the ARIMA model.

ARIMA-GARCH随机收益鞅过程下幂型交换期权定价

为了更好地体现现实的股价中漂移率和波动率对其资产价格的影响,利用随机微分方程和其解中都含有的漂移率和波动率,在传统的资产定价中加入漂移率和波动率的鞅表示算法,利用测度变换确定资产价格.最终在经典的ARI-MA和GARCH过程基础上联合建立了一个反映股价非线性特点的随机过程ARIMA-GARCH过程,对奇异期权定价提高精度,通过过去信息对具有线性幂型交换期权进行高精度定价.

加入SDR后人民币汇率波动规律研究——基于ARIMA-GARCH模型的实证分析

自人民币加入国际货币基金组织特别提款权(SDR)货币篮子以来,汇率波动日趋复杂。为了对汇率时间序列的波动特征进行分析,选取了人民币正式加入SDR后2016年10月10日到2018年3月16日共353日的美元兑人民币汇率中间价作为分析数据,应用ARIMA-GARCH复合模型进行了实证检验。结果表明,我国外汇市场的中间价波动存在ARCH效应,且复合模型能够较好地拟合入篮后人民币汇率的波动规律。根据分析结果,对人民币汇率的短期波动走势进行了合理预测。并且,结合预测结果与时事分析,对我国汇率双向波动的有序调控以及汇率风险的有效规避提出了相应的政策建议。稳定市场的汇率预期,外汇交易市场的成熟化建设,引导外资打造完整产业链,对资本流动监管的逆周期调节均有利于人民币汇率的稳定运行。

ARIMA-GARCH和抛物线模型相结合的网络流量动态预测

提出一种基于ARIMA-GARCH和抛物线模型相结合的网络流量动态预测方法,既发挥ARIMA-GARCH模型处理和预测网络流量内部短期变化特征的能力,又融合了抛物线模型捕捉网络长期动态变化特征的性能,即构成AGP组合模型.仿真实例表明,AGP组合模型能够很好地预测网络流量的动态变化规律,在网络服务控制方面有广泛应用前景.

基于HP滤波与ARIMA-GARCH模型的柱塞泵泄漏量预测

柱塞泵关键摩擦副磨损造成的泄漏增大是其性能退化的主要原因,预测泄漏量的变化趋势有助于定量分析柱塞泵性能退化过程。该研究使用HP(Hodrick-Proscott)滤波对柱塞泵泄漏量进行分解,结合滤波后得到的趋势数据具有非线性及方差异性的特征,基于时间序列方法建立HP-ARIMA-GARCH(HP-Auto Regressive Integrated Moving Average-Generalized Autoregressive Conditionally Heteroscedastic)模型预测柱塞泵泄漏量变化。通过不同时段泄漏量预测结果比较可知,根据HP滤波分解后得到的趋势数据序列建立的HP-ARIMA-GARCH模型较传统时间序列模型预测结果的平均相对误差最高可减小5.42个百分点,能够实现对泄漏量的有效预测。研究结论可为柱塞泵性能退化的定量预测提供理论参考。

基于ARIMA-GARCH-M模型的短时交通流预测方法

针对差分自回归移动平均(Auto-Regressive Integrated Moving Average,ARIMA)模型在获得时间序列非线性特性中的局限,基于线性递归的ARIMA模型和非线性递归的广义自回归条件异方差一均值(Generalized Autoregressive Conditional Heteroscedasticity in Mean,GARCHM)模型,提出一种组合模型ARIMA-GARCH-M进行短时交通流预测,并利用城市快速路交通流数据进行模型预测精度的检验.结果表明:ARIMA-GARCH-M模型考虑了异方差性这一非线性特性,相比于ARIMA-SVR模型和ARIMA-GARCH模型的预测结果,本文构建模型具有较好的预测效果,能够有效提高预测精度至90.39%.

基于ARIMA-GARCH族混合模型的黄金价格预测研究

由于次贷危机的发生、国际形势的动荡以及投资方面的需要,黄金越来越受到人们的关注,预测黄金价格及其波动性愈益重要。ARIMA时间序列模型虽能较好地把握金融时间序列的动态规律,但不能反映黄金价格的波动特征和杠杆效应。而条件异方差GARCH模型能较好地反映金融时间序列的波动性,更适合金融领域的预测。采用2018年1月2日至2018年12月28日上金所黄金Au(T+D)收盘价日数据,将ARIMA与GARCH相结合,构造新的ARIMA-GARCH族混合模型,并通过ARIMA-GARCH族在不同分布下对黄金价格进行预测,结果发现,黄金价格波动不仅具有异方差性,而且还具有杠杆效应。经过与ARIMA模型对比,发现新的混合模型在一定程度上能更好地拟合黄金价格的运动路径,在短期预测方面更具实用性。

基于HP滤波分解ARIMA-GARCH模型的我国牛肉价格分析与预测

为了对我国牛肉价格进行分析和预测,笔者基于2004年6月份至2018年9月份牛肉市场价格月度环比数据,运用HP滤波分解,把原序列分解成趋势序列和波动序列,利用ARIMA-GARCH模型相结合的研究方法分别对趋势序列和波动序列进行分析和短期预测,将预测后的趋势序列和波动序列进行重组,得到牛肉价格原序列的短期预测值,借助Eviews8.0工具得出分析结果。结果表明:牛肉市场价格整体呈现上升趋势,通过模型的拟合和预测得出预测结果与真实值的平均相对误差为0.45%,预测效果良好。通过预测结果分析牛肉价格变动的原因,进而提出对策建议。

ARIMA-GARCH-M模型在短期股票预测中的应用

金融时间序列模型既是股票预测中最常用的方法,也是预测股市变化最好的工具之一。根据已有研究,将波动率代入模型公式中,根据各项准则构建ARIMA-GARCH-M模型对股票的收盘价进行预测,利用递归思想对拟合曲线进行校正,进一步提高预测的准确率,并进行MAPE(平均绝对误差)、RMSE(均方根误差)、EC(等系数)检验。最后将ARIMA模型、ARIMA-GARCH模型和ARIMA-GARCH-M模型的检验结果比较。结果表明,通过递归校正的ARIMA-GARCH-M模型在股票短期预测中有着良好的效果,具有一定的可行性。

基于ARIMA-GARCH模型和极值理论的中国股市风险价值度量

以极值理论为基础的风险值度量方法是最近发展起来的最为有效的方法之一,但在传统的单纯采用极值理论的建模过程中对误差项假定为独立同分布的白噪声过程,会对应用极值理论估算风险价值产生一定误差。本文以上证指数和深证成指为例,利用ARIMA-GARCH模型捕获股票收益序列中的自相关和异方差现象,对该模型中残差的条件分布的合理假定进行了实证分析比较,然后利用极值理论对经过ARIMA-GARCH模型筛选过的残差进行极值分析,估算风险价值。

基于SARIMA和ARIMA-GARCH模型的共享单车用户量预测——以哈啰出行为例

共享单车作为共享经济中典型的商业创新模式,成为公共交通的重要补充,近年来蓬勃发展。哈啰出行是当前共享单车行业市场占有率最高的企业,本文采取哈啰出行月活跃用户量(MAU)数据,分别建立SARIMA和ARIMA-GARCH模型预测其用户规模,研究发现两个模型的MAPE值均小于5%,预测偏差较小,预测效果较好,其中ARIMA-GARCH模型更好地捕捉到了月活跃用户量的波动聚集特征,取得了更高的预测精度,能更好地反映短期内共享单车用户规模的变化。本文为共享单车企业及相关政府部门预测用户规模变动提供了科学有效的方法,最后从共享单车企业和政府两方面提出针对性建议。

基于ARIMA-GARCH模型的中国大豆价格分析与预测

将自回归移动平均(ARIMA)与广义自回归条件异方差(GARCH)组合模型(ARIMA-GARCH),引入大豆现货价格分析与预测研究,最大限度地提取大豆现货价格历史数据信息,有助于提高大豆现货价格预测精度。研究结果表明:ARIMA-GARCH组合模型因处理了ARIMA模型残差的异方差性,可以提高预测精度;ARIMA-GARCH组合模型可以解决大豆价格波动呈现非正态"尖峰厚尾"分布特征的预测建模问题;ARIMA-GARCH组合模型方差预测结果可为均值预测结果提供参考性预判。

基于ARIMA-GARCH模型的股票价格预测研究

利用时间序列模型对宇通客车股票的收盘价格进行预测.首先利用ACF平稳性检验来判断时间序列是否平稳,然后,选择ARMA、ARIMA、ARIMA-GARCH进行性能比较.最后,根据相关准则选择ARIMA-GARCH优化模型对宇通客车股票价格进行预测.结果表明,构建的ARIMA-GARCH模型能更准确地预测宇通客车的股价.

基于ARIMA-GARCH模型对上海银行间隔夜拆放利率的实证分析

通过以上海银行间隔夜拆放利率为研究对象,选取2015年1月4日至2015年12月28日的数据作为样本数据,通过Eviews软件分别建立ARMA模型和ARMA-GARCH模型对2015年12月29日至2015年12月31日的上海银行间隔夜拆放利率进行分析,以期望为金融产品的定价和投资套利提供参考。研究结果表明:ARIMA(2,2,1)-GARCH(1,0)-GED模型相较于ARIMA(2,2,1)模型很好地消除了ARCH效应,并且能够更好地对上海银行间隔夜拆放利率作出短期预测。

基于ARIMA-GARCH模型对WTI指数的实证研究

国际原油是资本市场兵家必争之地,原油价格受很多不确定因素影响,且各个因素之间的相关关系错综复杂,因此要从理论上彻底弄清楚原油指数的变化机理十分困难。然而原油指数是一个运动的、特殊的系统,它必然存在着规律。本文基于ARIMA-GARCH金融时间序列理论,对WTI波动率进行实证分析,经过平稳性检验、ARIMA参数选择、ARCH效应检验和GARCH模型优化,建立了ARIMA-GARCH预测模型,通过预测值与真实值的对比认为ARIMA-GARCH模型可以很好拟合WTI波动率并且进行短期预测。

基于ARIMA-GARCH-t与ELM的人民币汇率组合预测模型研究

本文旨在对人民币汇率进行预测,以丰富汇率预测方法、方式.利用2012年1月4日到2014年11月3日的人民币对美元汇率中间价数据,依据组合预测方差最小原则构建ARIMAGARCH-t与ELM(极限学习机)组合预测模型来分析人民币汇率的非线性时间序列特征,该模型一方面弥补了ARIMA预测时残差异方差性对预测精度的影响,同时将随机扰动项对模型的影响考虑在内,另一方面发挥ELM学习速度快、泛化性能好等特点.实例分析证明,该组合预测模型预测精度高于单一预测方法,是一种有效的预测方法.

基于ARIMA-GARCH模型的股票分析与预测——以长城汽车为例

本文利用时间序列模型对长城汽车股票的收盘价格进行了短期预测。选取了长城汽车(601633)股票2021年1月4日至2023年3月20日的收盘价作为样本数据,使用R软件建立ARIMA、ARIMA-GARCH模型分别对该股票价格进行预测比较。结果表明,ARIMA、ARIMA-GARCH对股票价格的短期预测都有一定的参考意义,但是对于带有异方差的时间序列,ARIMA-GARCH模型的预测性能更好,说明该模型存在着相应的参考价值和现实意义,ARIMA-GARCH模型可以为一般投资者以及相关投资机构提供股票投资决策参考。