时间序列分析论文(一)

股市超常收益率ARMA模型分析

组数：第八组

组长：张宇学号：201010412119

成员：刘彦清学号：201010422139

成员：周发明学号：201010412138

班级：信计 1 班

时间：2013 年 5 月 7 日

股市超常收益率ARMA模型分析

摘 要:本文首先对沪铜期货收益率序列的进行了分析,在单位根检验中克服了观察等价性的影响,并得到为该收益率服从ARIMA(0 ,1 ,1) - GARCH(1 ,1) 模型。在此基础上,利用TARCH 和EGARCH 模型对收益率的杠杆效应进行了检验。

关键词:金融学;收益率建模;ARMA2GARCH 模型;铜期货

引言:

我国的期货市场发展至今已经十多年了,但还是属于新兴领域,其理论研究比较缺乏。一个对投资者来说非常关注的问题就是对期货市场收益率及风险的刻画和度量。拟合期货价格的收益率序列,对其各种特征进行分析,有利于我们更加理性地了解市场。1982年,恩格尔提出了ARCH 模型[1 ] ,而随后Boller2slev(1986) 提出了GARCH 模型[2 ]

GARCH 模型很好地解释了金融时间序列的波动集群特征,自此以后,几乎所有的成果都是围绕此模型展开的。就国内而言,目前将GARCH 类模型应用于我国期货市场的一些研究成果有:徐剑刚对玉米和绿豆期货的价格收益序列使用ARCH 模型进行统计分析[3 ] ;华仁海、仲伟俊首次运用GARCH 模型对我国期货市场中期货价格收益、交易量以及波动性之间的关系进行了动态分析[4 ] 。在收益率建模方面,唐衍伟,陈刚等人在对期货市场波动率进行分析时,采用ARMA - GARCH 对沪铜收益率序列进行了建模,均得到AR(5)2GARCH(1 ,1) 模型[5 ,6 ] ,然而从结果看,收益率的5 个自回归时滞系数均不显著,结果有待商榷。

本文对沪铜期货收益率进行了ARMA2GRACH 建模与分析,在ADF 和DF2GLS 两个单位根结果矛盾的情况下,结合SACF 与SPACF 的表现,认为沪铜期货收益率服从ARIMA(0 ,1 ,1) 过程;进而,在对残差序列进行ARCH - LM 检验,确定波动率的ARCH 效应之后,拟合了一个ARIMA(0 ,1 ,1) - GARCH(1 ,1) 模型,并指出市场波动率是持久的;在此基础上,进一步通过拟合TARCH 和EGARCH 模型,发现沪铜期货并不存在显著的杠杆效应。

时间序列分析与综合论文

题目： 北京市降水量预测模型

学 院: 电子信息学院

专 业: 电路与系统

班 级: 研132班

学 号: 201304703004

姓 名: 石安伟

日 期: 2014\6\17

1. 实验选题

课程设计以北京市50年的降水序列作为样本，建立线性时间序列模型并预测2013年的降水状态与降水量，并与2013年的实际数据比较说明本模型的具体应用及预测效果。资料数据见表1。

时段 降水量(mm) 时段 降水量(mm) 时段 降水量(mm)

1963

1964

1965

1966

1967

1968

1969

1970

1971

1972

1973

1974

1975

1976

1977

1978

1979

1980

1981 775.6

817.7

261.8

527.9

593.4

386.7

913.2

597.6

511.2

374.2

698.2

474.7

392.8

684.0

779.0

664.8

718.4

380.7

393.2 1982

1983

1984

1985

1986

1987

1988

1989

1990

1991

1992

1993

1994

1995

1996

1997

1998

1999

2000 544.4

489.9

488.8

721.0

665.3

683.9

673.3

442.2

697.3

747.9

541.5

506.7

813.2

572.5

700.9

430.9

731.7

266.9

371.1 2001

2002

2003

2004

2005

2006

2007

2008

2009

2010

2011

2012

2013

338.9

370.4

444.5

483.5

410.7

318.0

483.9

684.6

480.6

533.8

721.1

应用时间序列

在A市GDP预测中的应用

学 院： 商学院

专 业： 金融学

班 别: 金融 1103

学生姓名: 王文倩

指导教师: 于国才

山东理工大学本科

- 1 - 摘要

时间序列分析(Time series analysis)是一种动态数据处理的统计方法。该方法基于随机过程理论和数理统计学方法，研究随机数据序列所遵从的统计规律，以用于解决实际问题。GDP的增长是指一个国家或一个地区生产商品和劳务能力的增长。GDP增长不仅代表了人均国民收入增加, 也包括社会制度结构的变化。目前对投资与经济增长的关系研究一般认为, 投资与GDP增长之间存在着正相关关系, 即投资的增长会促进GDP增长。改革开放以来, 投资在GDP增长中的作用越来越明显, 所以对GDP增长序列进行时间序列分析。

关键词：时间序列；GDP；预测分析

山东理工大学本科

- 2 - 一、 时间序列相关概念

（一）时间序列

一个随着变量t变化的量y(t)，当t1 < t2 <…< tN<…时的观测值

y(t1), y(t2),…y(tN), …

构成离散有序的集合，称为一个时间序列，记为{y(t)}。如果变量t表示时间，那么一组根据时间顺序排列的观测数据就是一个时间序列。时间序列分析就是根据这种特殊的数据形成和发展的一套统计分析方法的完整体系。

一般在研究时间序列问题时会涉及下面的记号和概念：

 指标集T

指标集T够理解为时间t的取值范围。对于一般的随机过程，它是一个连续的变化范围，例如取（- , +)，此时前面随机过程可以记为

{y(t),t(- , +)}.

 采样间隔△t

采样间隔△t表示为时间序列中相邻两个数据的时间间隔。在实际研究中，整个序列间一般都采取一致的时间间隔，这使得分析结果更有意义。

季节效应分析

一、数据来源：

P.122.例4.6，北京市1995——2000年月平均气温序列（附录1.10）。

二、研究目的：

在日常生活中，我们可以见到许多有季节效应的时间序列，比如：四季的气温，每个月的商品零售额，某自然景点每季度的旅游人数等等。他们都会呈现出明显的季节变动规律。

所谓季节效应就是在不同的季节中数据会呈现很明显的差异。在对北京市1995——2000年月平均气温序列的分析中，把每月温度绘制成图，可以帮助我们更清楚地看到季节效应的存在。

三、理论背景：

假如没有季节效应的影响，北京市的气温应该始终在某个均值附近随机波动，季节效应的存在，使得气温会在不同年份的相同月份呈现出相似的性质，通过建模我们可以提取季节变动和随机变动的信息，这个过程即是对有季节效应的建模过程。

四、数据统计分析：

步骤一，初步了解数据信息，并作预处理：

1， 将原始数据（附录1.10）导入Eviews 6.0中，并删除序列SERIES01,将序列SERIES02重命名为X。

2， 点击Quick ——Graph，在出现的对话框中输入X，点击确定，得到时序图，如下：

由图可知，北京市1995——2000年每月的平均气温随着季节的变动有着非常规律的变化。气温的波动主要受到两个因素的影响：一个是季节效应，一个是随机波动。同时可以看出气温在剔除季节效应后是一个稳定的序列，因此不用对随机波动做差分处理。

3， 了解该模型的平均值，进行零均值化处理。在Eviews中，quick→series statistics →histogram and stats 得到该直方图如下：

知该模型的均值为13.03333。对模型进行零均值化处理。在命令窗口中写genr y=x-13.03333。生成x零均值化处理后的序列y。

步骤二，对零均值处理后的序列Y进行季节差分处理：

1， 在命令窗口中输入genr z=y-y(-12)，按Enter键。