人民币汇率的ARIMA模型

基于时间序列GARCH模型的人民币汇率预测一、本文概述1、简述人民币汇率的重要性及其在全球经济中的地位人民币汇率在全球经济中具有举足轻重的地位，其不仅影响着中国经济的内外部平衡，也对全球经济格局产生深远影响。

人民币汇率的变动直接关系到中国的进出口贸易、资本流动以及外汇储备等多个方面，从而影响着中国经济的稳定与发展。

人民币汇率的变动对中国进出口贸易具有直接的影响。

汇率的贬值有助于提高中国出口商品的国际竞争力，促进出口增长；而汇率的升值则会降低出口商品的竞争力，对出口产生一定的抑制作用。

汇率的变动也会影响中国进口商品的成本，进而影响国内物价水平和消费者的购买力。

人民币汇率的变动对中国资本流动产生重要影响。

汇率的波动会影响国内外投资者对中国资产的估值和风险偏好，从而影响资本流入和流出的规模和方向。

稳定的汇率有助于吸引外资流入，促进中国经济的国际化进程；而汇率的过度波动则可能导致资本外流，对中国经济造成不利影响。

人民币汇率的稳定对于维护中国外汇储备的价值和安全也具有重要意义。

作为世界上最大的外汇储备国之一，中国需要保持汇率的相对稳定，以避免外汇储备价值的缩水。

同时，稳定的汇率也有助于增强国际社会对人民币的信心和认可度，推动人民币的国际化进程。

在全球经济中，人民币汇率的地位同样不可忽视。

作为世界第二大经济体和最大的贸易国之一，中国的人民币汇率变动对全球经济格局产生着重要影响。

人民币汇率的稳定与否直接关系到全球经济的稳定与发展，特别是在当前全球经济复苏乏力、贸易保护主义抬头的大背景下，人民币汇率的稳定更是显得至关重要。

人民币汇率的重要性及其在全球经济中的地位不容忽视。

为了维护中国经济的稳定与发展，需要密切关注人民币汇率的变动趋势，并采取有效的政策措施进行调控和管理。

也需要加强国际合作与交流，共同推动全球经济的稳定与发展。

2、阐述人民币汇率预测的必要性和意义随着全球化进程的加速和中国经济的持续崛起，人民币汇率作为连接国内外经济的桥梁，其波动与走势不仅关乎国内经济的稳定与发展，也深刻影响着国际经济格局。

DOI：10.13546/ki.tjyjc.2020.23.029［IF逐纵横｝基于SSA-ARIMA-HPSO-SVM组合模型的汇率预测王相宁，杨杰(中国科学技术大学管理学院，合肥230026)摘要：文章首先通过奇异谱分析SSA方法对汇率序列去噪，并通过ARIMA模型，对重构后的汇率序列拟合以提取出原序列的线性部分，再使残差值通过基于杂交的混合粒子群算法优化的支持向量机进行建模并预测，两部分结果相加即为原汇率序列的预测值。

结果表明：人民币汇率波动存在着周期振荡的特征，在汇率序列的样本外1—5日预测上，基于SSA方法的组合模型预测性能相对单一模型以及未釆取SSA方法的组合模型均更优。

关键词:汇率预测；奇异谱分析;粒子群算法；支持向量机中图分类号:F224.9文献标识码:A文章编号:1002-6487(2020)23-0134-040引言在研究汇率预测的方法时，相比神经网络模型易陷于局部最优、基于经验风险最小化进行优化等缺点,支持向量机SVM表现出了更优的性能。

同时，在处理线性数据时,诸如ANN等非线性模型其效果常常不如传统线性方法ARIMA模型。

无论单一的线性或非线性模型,都很难深入挖掘汇率包含线性和非线性双重成分的混合行为特征。

部分学者通过将ARIMA模型和其他非线性模型结合起来进行组合预测,展示出较好的效果。

时间序列的组合模型预测主要有三种方法:权重法z、分解法和残差法…叫本文将对残差法进行改进。

考虑到汇率波动机制复杂，同时兼具噪声影响，直接用ARI-MA模型对序列拟合，会影响其定阶,进而影响整体的预测效果。

鉴于此，本文考虑通过奇异谱分析(SSA)方法先对汇率序列分解去噪得到主成分信号，重构后再通过ARI-MA模型进行拟合，然后将残差序列通过SVM建模。

对于SVM模型的参数寻优,考虑到网格搜索算法大范围穷举遍历较费时的缺点，采取基于杂交的混合粒子群优化算法(HPSO)o1研究方法1.1支持向量机(SVM)支持向量机(Support Vector Machine,SVM)的基础模型作为定义在特征空间上间隔最大的线性分类器，在引入核技巧后，也变成了非线性分类器。

基于综合集成学习的人民币汇率预测研究基于综合集成学习的人民币汇率预测研究人民币汇率是国际金融领域的一个热门话题，由于其对于经济增长、市场竞争力和国际贸易等方面的重要影响，准确预测人民币汇率对于个人和企业在国际金融市场中的决策具有重大意义。

传统的人民币汇率预测方法往往利用统计模型，但由于外汇市场的高度复杂性和随机性，单一模型往往难以准确预测。

为了解决这个问题，综合集成学习成为了一种备受关注的方法。

综合集成学习是通过结合多个不同的预测模型，将它们的优点进行整合，得到更准确的预测结果。

在人民币汇率预测中，可以采用多种模型作为基础预测器，比如时间序列模型、机器学习模型等。

首先，我们可以利用时间序列模型对人民币汇率进行建模预测。

时间序列模型可以通过历史数据进行分析，找出规律和趋势，并进一步预测未来的汇率走势。

常见的时间序列模型包括ARIMA模型、ARCH模型等。

这些模型可以捕捉到数据的周期性和序列依赖关系，从而提高汇率预测的准确性。

其次，我们可以应用机器学习模型来进行人民币汇率预测。

机器学习模型通过学习历史数据的模式和规律，进而预测未来的汇率变动。

常见的机器学习模型包括支持向量机（SVM）、随机森林（Random Forest）、神经网络等。

这些模型可以通过大量的训练数据进行学习，提取特征和模式，从而进行准确的汇率预测。

除了以上两种模型外，我们还可以尝试其他预测方法，如经验模态分解（EMD）方法和深度学习方法等。

经验模态分解方法是一种基于信号分解的方法，通过将时间序列数据分解为多个固有模态函数（IMF）和趋势函数，从而提取数据的局部和整体变动特征，进而进行预测。

深度学习方法是一种基于神经网络的模型，通过多层的神经网络结构，可以更好地学习非线性的关系和特征，并进行准确预测。

在综合集成学习中，我们可以将以上多种模型进行结合，从而得到更为准确的人民币汇率预测结果。

常见的集成学习方法包括Bagging、Boosting和Stacking等。

基于ARIMA模型对我国广义货币供应量的分析作者：谈星来源：《商场现代化》2020年第11期摘要：货币自诞生以来就吸引着人们的目光，经过历代更迭，现代意义上的货币已经具有强大的派生能力。

广义货币供给量（M2）是关于货币重要的衡量指标之一，也是国家制定相关政策时不可缺少的参考数据。

本文综合运用金融时间序列分析的相关知识，截取2000年1月至2019年10月我国广义货币供应量（M2）的月度数据，应用R软件分析并调整序列使其平稳后构建以ARIMA为基础的相关序列模型，经过残差检验、样本内和样本外比较选择拟合度最高的SARIMA（2，1，1）×（0，1，1）模型对我国广义货币供给量进行有效预测和研究。

关键词：广义货币供给量;ARIMA模型;多重季节模型;R语言一、前言货币供应量是指一国在某一时点上为社会经济运转服务的货币存量。

随着各国宏观经济的多元化发展趋势日益显著，世界各国的中央银行对于货币供应量的衡量指标并没有统一标准。

本文是按照我国货币供给划分体系进行讨论，选取广义货币供应量（M2）包括流通中的现金量、活期存款、定期存款和储蓄存款。

随着我国经济发展不断深入，政府与市场发展的联系越来越紧密，而货币供应量在其中的影响至关重要。

所以对货币供给的研究一直是宏观经济学领域的热点问题，其中广义货币供给量（M2）作为我国货币政策的中介目标在国家实行的宏观调控中的作用不可小觑。

广义货币供给量不仅影响货币政策的实施效果，同时也是国家制定其他相关政策的重要参考依据。

改革开放以来，为刺激经济发展，我国广义货币供给（M2）的数量呈现明显的上升趋势。

货币供应量及其对市场流通的影响在很大程度上都受到货币政策的约束，同时又对我国的需求和供给能否在一定的条件下实现均衡产生重要的影响。

通过增加货币供给，短期的确能够刺激需求，促进经济增长，但长期来看也会使物价上涨，进而导致通货膨胀，经济疲软下行。

所以，货币政策的关键在于如何把握适度的货币供给量。

ARIMA模型在我国对外贸易中的应用ARIMA 模型在我国对外贸易中的应用摘要：新中国已成立 58 年，在这 58 年中中国发生了翻天覆地的变化。

随着改革开放的实施，中国逐步打开国门，与世界接轨，逐步发展成为国际化大国。

全国进出口贸易总额在很大程度上可以反映这一情况，本文选取该指标来研究中国近年来国际贸易情况，并预测未来国际贸易趋势。

尤其是自 1994 年中国实行盯住美元的汇率制度以来，中国的贸易差额开始了持续的正盈余。

2001 年中国加入 WTO 后，对外贸易额大幅度增加，中国在国际舞台中的地位日益提升。

近年来，美国、欧盟、中国香港在中国对外出口中的份额有所增加，而出口到日本的份额下降。

美国、欧盟、日本等主要经济体的经济发展态势对于中国的外贸出口影响大。

与此同时，中国外贸依存度也出现了巨大的变化。

1985～ 2005 年，中国对外贸易年均增长比国民经济增长快 9 个百分点，外贸依存度从 1985 年的 21.4% 提高到 2005 年的80.2% 。

特别是在加入 WTO 后，外贸依存度与出口依存度出现了直线上升势头。

中国出口拉动战略型战略由此可见。

在出口拉动下，通常会低估本币，反应在汇率上就会表现为汇率持续的上升。

本文首先介绍了时间序列模型的基本概念，然后在实证中，本文所用数据为 1950 年－2005 年全国进出口贸易总额，数据来源于《新中国 50 年统计年鉴》第 60 页。

该表 1979年以前为外贸业务统计数，从 1980 年起为海关进出口统计数，单位为亿元人民币。

关键词：时间序列； ARMA 模型； ARIMA 模型；对外贸易一、时间序列模型的基本概念( 一) 时间序列模型的介绍随机时间序列模型( time series modeling )是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为Xt=F(Xt-1 ，Xt-2 ，⋯，t)1.纯AR(p) 过程Xt= 1Xt-1+ 2Xt-2 + ⋯+ pXt-p + t (*) 如果随机扰动项是一个白噪声( t= t)，则称(*)式为一纯AR(p)过程( pure AR(p) process )，记为：Xt= 1Xt-1+ 2Xt-2 + ⋯+ pXt-p + t2.纯MA(q 过程如果随机扰动项不是一个白噪声，通常认为它是一个q 阶的移动平均moving average)过程MA(q) ：t= t - 1 t-1 - 2 t-2 - - q t-q 该式给出了一个纯MA(q) 过程( pure MA(p) process )。

arima模型在金融领域的应用
1. 预测股票价格：金融分析人员可以利用arima模型来预测未来股票价格，以
便进行投资决策；

2. 预测货币价格：arima模型可用于预测货币价格的波动，从而帮助外汇交易
者做出正确的投资决定；

3. 预测外汇汇率：arima模型可以帮助预测外汇汇率，从而帮助外汇交易者作
出正确的投资决策。

4. 预测证券市场指数：金融分析人员可利用arima模型来预测未来市场指数等
重要财经指标，以便进行投资决策。

基于ARMA模型的人民币对美元汇率的实证分析
杨梦昕;高志
【期刊名称】《高师理科学刊》
【年(卷),期】2018(038)004
【摘要】针对人民币对美元汇率问题,以2015-01-05—2017-12-20这段时间内的人民币对美元汇率为样本数据,建立了合理的ARIMA模型.结合自相关、偏相关系数图以及单位根检验判断原序列是非平稳时间序列,一阶差分后的序列是平稳时间序列.结合SIC等指标选择出最优的ARIMA(1,1,2)模型.运用该模型进行汇率预测,为企业和投资者的决策提供了可靠的依据.
【总页数】5页(P17-21)
【作者】杨梦昕;高志
【作者单位】安徽财经大学金融学院,安徽蚌埠 233030;安徽财经大学金融学院,安徽蚌埠 233030
【正文语种】中文
【中图分类】F831
【相关文献】
1.基于GARCH模型的人民币对美元汇率波动的实证分析 [J], 李小瑜
2.ST类股票收益率波动性的实证分析——基于ARMA-GARCH模型族 [J], 戴雯
3.基于ARMA-EGARCH模型对我国人寿保险的实证分析 [J], DONG Xiao-yi;SHEN Shi-chang
4.基于ARMA模型预测股票价格的实证分析 [J], 丁玮珂
5.基于经验模态分解和ARMA模型的国际航空油价实证分析——以港湾石油航空燃油价格数据为例 [J], 高伦;张心成
因版权原因，仅展示原文概要，查看原文内容请购买。

智库时代·22·财经智库一种基于ARIMA-SVR 混合方法的汇率预测模型徐 超（武汉大学经济与管理学院，湖北武汉 430072）摘要：本文采用了一种基于ARIMA 和SVR 的混合方法对四种货币对美元的汇率进行了预测。

本文的主要思路在于将汇率序列分解为线性和非线性两个部分，利用ARIMA 模型去估计汇率的线性部分，使用SVR 方法去预测汇率的非线性部分。

实证结果表明混合模型的预测精度高于ARIMA 模型、SVR 方法以及随机游走模型。

关键词：汇率预测；ARIMA 模型；SVR 模型中图分类号：TU205文献标识码：A 文章编号：2096-4609（2019）01-0022-002一、引言汇率作为维系各国之间经贸往来的桥梁和纽带，在国际经济研究中一直享有极高的关注度。

汇率不单纯是两国货币间的折算比例，亦是各国政治经济博弈中的常用手段。

随着我国经济社会的发展以及全球化进程不断的深入，特别是人民币加入特别提款权后，外汇风险成为了一个不可回避的问题。

因此，有效分析和预测人民币汇率对各类经济政策制定和投资决策的实施具有重要的意义。

二、文献综述刘柏等（2008）认为汇率是市场博弈和出清的结果，时间序列的分析方法不受限制于汇率制度，因此汇率自身变化传递的信息对于汇率预测具有显著价值。

熊志斌（2011）利用ARIMA-NN 混合模型对人民币汇率进行预测，结果表明混合模型的预测精度高于随机游走模型和ARIMA、NN 单一模型。

Anastasakis and Mort（2009）建立了两阶段预测模型：第一阶段采用参数化方法，例如ARIMA、VAR 以及协整技术；第二阶段采用非参数方法，例如SVR 和ANN。

实证表明：SVR 对于非参数部分的预测效果要优于ANN。

三、模型设定鉴于时间序列数据一般具有线性和非线性的复合特点，单一线性或者非线性模型都无法有效地反映这种复合特征。

本文将ARIMA 和SVR 这两类模型结合，以求更高的汇率预测精度。

《高级数量分析方法》课程作业基于MATLAB软件与ARIMA模型的预测——以人民币对美元的即期汇率为例院系：管理学院会计系指导老师：孟力教授小组成员：张嘉珉 17520121151118卢梦杉 17520121151097周姣 17520121151123目录1研究背景 (1)1.1人民币对美元的国际化进程 (1)1.2人民币对美元现状分析 (1)2ARMA模型与ARIMA介绍 (2)2.1AR(p)模型 (3)2.2MA(q)模型 (3)2.3ARMA(p,q)模型 (4)2.4ARIMA(p,d,q)模型 (4)3自相关系数和偏自相关系数 (4)3.1 p阶自回归AR(p) (4)3.2平稳时间序列自协方差与自相关系数 (4)3.3偏相关系数 (5)4模型的选择 (5)4.1自回归AR(p)模型 (5)4.2移动平均MA(q)模型 (5)4.3自回归移动平均ARMA(p,q)模型 (5)4.4ARIMA(p,d,q)模型 (6)4.5模型的选择 (6)5数据来源及选择 (6)6模型的建立与预测 (7)6.1数据的预处理 (7)6.2模型的识别 (8)6.3ARIMA模型的建立与检验 (9)6.4模型预测 (13)7模型预测结果与分析 (14)7.1模型预测结果描述 (14)7.2模型预测存在的不足 (15)7.3不足的原因的分析 (15)8结语及展望 (16)【摘要】本文以2012年1月——2012年11月人民币对美元的即期汇率中间价数据为基础，运用ARMA模型进行汇率的拟合，经过多次对程序的调用试运行，发现采用观察偏自相关系数与自相关系数的方法定出阶数建立的模型，与实际拟合效果不理想。

最终我们决定根据AIC准则，选择使得AIC值最小的模型阶数进一步操作，得出的ARIMA(2,1，2)模型能更好地模拟人民币汇价的走势。

文中运用此模型进行预测, 结果具有精度高、稳定性好等特点。

通过对未来汇率的预测，为有效制定外汇投资或外汇避险等相关决策提供建议。

基于ARIMA的我国通货膨胀分析和预测摘要】通货膨胀预测成为宏观金融领域越来越重要的研究课题。

根据2000年1月到2013年3月的居民消费价格指数，我们利用自回归移动平均模型即ARIMA模型来分析和预测我国的通货膨胀率，实证的结果表明，模型能较好的拟合和预测我国的通货膨胀水平，而且模型结果说明我国通货膨胀具有一定滞后效应，央行制定货币政策时要充分考虑到前几期的货币政策对即期和未来通货膨胀水平的影响，以充分发挥货币政策的作用。

【关键词】通货膨胀；居民消费价格指数；ARIMA模型；滞后效应一、引言自2008年金融风暴之后，随着政府4万亿经济刺激计划和地方政府相关配套措施的不断落实，我国通货膨胀压力不断增大，2008年4月份居民消费价格指数更是达到8.2%的历史新高；随后政府一系列的宏观紧缩政策使2009年7月份得居民消费指数降到-1.1%；但是随着金融风暴的不断延伸，我国制造业和对外出口行业受到巨大冲击，政府为解决中小企业融资成本和产业环境问题逐步放松紧缩的宏观经济政策，增加信贷规模，降低贷款利率，使得居民消费价格指数日趋增高，到2011年9月份的CPI指数达到了5.7%。

在短短的四年时间里，CPI指数百分之几百上千的变动，反应了我国物价水平波动的剧烈性，然而一国的长治久安是建立在平稳物价水平之上，物价的频繁剧烈不仅会让居民产生长期的通货膨胀预期，更不利我国社会经济的转型。

通货膨胀水平也是影响宏观经济的一个重要变量（何启志，2011、2012），如何对其进行有效预测是一个很有理论和实际意义的选题。

央行制定货币政策时在考虑货币总量和利率的基础上更需要考虑到通货膨胀引发的物价水平波动因素，然而货币政策对经济的作用存在时滞效应，在这样的前提下利用通货膨胀的预测来判断未来经济形势就显得至关重要。

一方面可以稳定通货膨胀水平和通货膨胀预期，间接的稳定物价水平和物价上涨率预期，另一方面可以给央行货币政策的制定提供参考，还能为消费者和企业进行资产的增值保值提供依据（李娜，申梦宜，2012）。

ARIMA模型简介ARIMA模型全称为差分自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出的一著名时间序列预测方法，所以又称为box-jenkins模型、博克思-詹金斯法。

其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归, p为自回归项; MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

或者说，所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。

ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。

基本思想ARIMA模型的基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。

这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。

现代统计方法、计量经济模型在某种程度上已经能够帮助企业对未来进行预测。

预测程序ARIMA模型预测的基本程序（一）根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别。

一般来讲，经济运行的时间序列都不是平稳序列。

（二）对非平稳序列进行平稳化处理。

如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零。

（三）根据时间序列模型的识别规则，建立相应的模型。

若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型。

分析和预测我国外汇储备统计二班徐春雨 20080514201摘要：本文通过对我国1950年至2008年共59年的外汇储备年度数据进行时间序列建模，利用A R I M A模型来分析预测短期内我国外汇储备的变动趋势，并在预测的基础上进一步分析了利弊并提出相关建议，模型对原始数据有较好的拟合，可以为短期内预测管理我国外汇储备提供有效参考。

关键词：外汇储备时间序列A R I M A模型一、引言外汇储备，又称为外汇存底，狭义而言，外汇储备指国家的外汇积累；广义而言，外汇储备是指以外汇计价的资产，包括现钞、黄金、国外有价证券等。

国家持有外汇储备有三大作用：一是支付，国家进口重要战略物资和关键技术必须用外汇购买。

二是保障金融安全，比如发生战争、灾害或国际经济形势突然变化，央行可以用充足的外汇储备来对付突发的金融风险；三是软作用，从某种意义上说，外汇储备是一个国家在国际经济活动中实力的象征。

在肯定外汇储备增长的重要意义及其正面效应的同时，外汇储备过度增长也会给经济带来一些深刻和潜在的负面影响。

简单说，就是我们将赚到的钱借给以美国为首的其他国家，培育了外国的消费市场，我们自己的市场无法扩大；为了能够更好地管理我国的外汇储备，需要更确切的把握我国外汇储备的增长趋势。

为此本文拟通过对1950年来的外汇储备数据进行A R I M A法建模并预测短期内我国外汇储备的增长趋势。

二、A R I M A模型介绍A R I M A模型是一类常用的随机时间序列模型，是由博克思和詹金斯于70年代初提出的一著名时间序列预测方法，所以又称为b o x- j e n k i n s模型、博克思-詹金斯法，该方法不考虑以经济理论为依据的解释变量的作用，而是依据变量本身的变化规律，利用外推机制描述时间序列的变化，能达到最小方差意义下的最优预测，是一种精度较高的时序短期预测。

A R I M A模型通过对不平稳的时间序列进行d阶差分，将其转化为平稳时间序列，然后建立A R M A模型。

中国外汇储备时间序列分析建模与预测——基于ARIMA模型洪丰【摘要】This paper is to,on the basis of the method of time series analysis,build the mathematical model on monthly data of foreign exchange reserves of China from 2000 to 2010,and forecasts the scale of foreign exchange reserve of the first half of 2011 by validating the characteristic on the time series of foreign exchange reserves and choosing the optimal model.In accordance with empirical analysis,this model can more accurately forecast the scale of China＇s foreign exchanges reserves with an actual deviation of less than 0.3%,and will be worthwhile in studying foreign exchange reserves management%基于时间序列分析方法对中国2000～2010年月度外汇储备余额数据序列进行建模,通过验证序列的趋势特征,并从中选择最佳拟合模型,预测中国2011年上半年外汇储备规模增长情况。

实证分析结果表明,所选模型能较为精确的预测中国外汇储备规模,与实际偏差在0.3%以内,在外汇储备管理研究中将有较大应用价值。

【期刊名称】《绵阳师范学院学报》【年(卷),期】2011(030)008【总页数】5页(P22-25,32)【关键词】中国外汇储备;数学建模;ARIMA模型;时间序列分析;Box-Jenkins方法【作者】洪丰【作者单位】华南师范大学数学科学学院,广东广州510631【正文语种】中文【中图分类】O29中国央行和国际货币基金组织最新统计数据显示，截至2011年3月31日，中国外汇储备余额达到30446.74亿美元，居世界第一。

基于ARIMA模型的中美汇率时间序列分析与预测作者：张楠李晓玉来源：《科学与财富》2020年第23期摘要：本文通过应用2018年 1月 1日至2020年 6月 1日中美汇率的日交易中间价时间序列，分别建立了单整自回归移动平均模型即ARIMA模型，对2020年 5月 20日至2020年 6月1日的中美汇率进行预测并进行回测，结果显示：中美汇率数据采用ARIMA模型预测效果更好，更适合用ARIMA模型进行拟合，并通过该模型对中美汇率的预测更合理。

中美汇率在短期内呈上升发展态势。

关键词：ARIMA模型;中美汇率;趋势预测一、引言人民币汇率，尤其是中美汇率，一直是国际经济环境和国内民生环境的焦点。

自2016年起，中美汇率的波动与之前相比发生了较大转变，人民币呈现出整体持续贬值的态势，这一趋势引起了人们的广泛关注。

在最近几年，人民币汇率进入新常态，表现出双向波动的显著特征。

为了能够在考验之中保持竞争性，就需要我们能够找到合理而行之有效的方法。

时间序列分析方法是己经证明其在汇率问题研究上是一种可靠的方法。

能够为汇率研究提供理论基础的支持，在研究汇率的历史数据时发现内含的规律，然后建立恰當的模型对汇率进行模拟和预测，为经济发展提供巨大的帮助。

二、模型介绍及数据ARIMA模型全称为自回归积分滑动平均模型，是由博克思（Box）和詹金斯（Jenkins）于 70年代初提出一著名时间序列预测方法，所以又称为box-jenkins模型、博克思- 詹金斯法。

其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归，p为自回归项;A 为移动平均，q为移动平均项数，d为时间序列成为平稳时所做的差分次数。

所谓ARIMA模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。

ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（MA）、自回归过程（AR）、自回归移动平均过程（ARMA）以及ARIMA过程。