论文基于ARIMA模型的中美汇率时间序列分析，本文是时间序列论文写作技巧范文与时间序列和ARIMA模型和中美有关专科毕业论文范文.
摘 要：中美汇率是国际金融领域的一个焦点问题,对其进行分析与预测是值得研究的.通过2016年3月1日至2017年3月1日中美汇率的日交易数据,利用时间序列分析的方法,对中美汇率进行时间序列建模,发现了其内在波动的规律.分析结果显示：中美汇率数据服从乘积季节模型,并通过该模型对2017年3月2日至2017年3月6日的中美汇率进行了预测.
关键词：中美汇率；时间序列分析；ARIMA模型
中图分类号：F74
文献标识码：A
doi：10.19311/j.cnki.16723198.2017.09.013
1引言
人民币汇率是反映我国经济关系的重要手段.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.
时间序列分析方法是金融领域在进行定量分析时采用的一种常用方法,该方法可以对时间序列数据建立较为准确的数学模型,并根据建立的模型对未来进行合理的预测.本文利用时间序列分析的方法以及SAS软件,对2016年3月1日至2017年3月1日中美汇率的数据进行分析,建立了拟合效果较好的ARIMA乘积季节模型,同时对2017年3月2日至2017年3月6日的中美汇率进行合理预测.
2时间序列分析以及模型简介
2.1时间序列分析简介
时间序列分析即以随机事件按时间顺序变化的数据为依据,对该变化的数据组成的时间序列进行观察与研究,分析它变化发展的内在规律,并预测它将来的趋势的一种分析方法.在发展的早期,通常为描述性时序分析.随着研究领域的不断扩大,统计时序分析应运而生.统计时序分析即运用数理统计的相关理论,分析序列值内部的相关关系.目前,该分析方法已经广泛运用于金融领域的研究,为经济决策等问题提供了较大的帮助.
2.2ARIMA模型简介
博克斯—詹金斯(Box－Jenkins)在1976年提出了ARIMA模型,即自回归移动平均模型,简记为ARIMA(p,d,q)模型.该模型的提出,为非平稳时间序列的分析提供了依据.对于一个非平稳的随机过程,可以通过差分运算将其变为平稳的序列,进而对变形后的序列进行分析.该模型的结构如下所示：
式中,d等于(1-B)d；Φ（B）等于1-ΦB-…-ΦpBp,为平稳可逆ARIMA(p,q)模型的自回归系数多项式；θ（B）等于1-θ1B-…-θqBq,为平稳可逆ARIMA(p,q)模型的移动平滑系数多项式；d表示对序列进行d次差分后,可对序列进行ARMA模型的拟合.
ARIMA模型可以充分提取序列的非平稳信息,操作简单,在经济金融领域得到了广泛的应用.在实际操作中,为防止序列丢失大量信息,通常进行一阶或二阶差分即可.
3中美汇率的ARIMA模型的建立及预测
3.1数据的选取
本文选取了2016年3月1日至2017年3月日的中美汇率的数据,利用SAS软件进行操作,以此来介绍ARIMA的建模过程,并通过模型对2017年3月2日至2017年3月6日的中美汇率进行预测.数据来自《中国统计年鉴》.
3.2平稳性检验
将原始序列记为C-Uexchange,序列C-Uexchange的时序图如图1所示.根据序列C-Uexchange的时序图可以看出,该序列有显著的递增趋势且含有季节效应,是非平稳序列.
图1序列C-Uexchange的时序图
为消除长期趋势和季节趋势,应该对序列C-Uexchange先后进行一阶差分和季节差分即在一阶差分后进行四步差分.经过差分后序列记为d.C-Uexchange,序列d.C-Uexchange的时序图如图2所示.序列d.C-Uexchange在0值附近随机波动,没有明显的趋势或周期,初步判定序列C-Uexchange已转化为平稳序列.
图2序列d.C-Uexchange的时序图
通过序列d.C-Uexchange的自相关图,可对序列d.C-Uexchange的平稳性进行更加严谨的判断.序列d.C-Uexchange的自相关图如图3所示.通过自相关图可以看出,该序列的自相关系数以指数衰减至2倍标准差范围以内,这是随机性很强的平稳时间序列通常具有的自相关系数的短期相关性特征,所以认为序列d.C-Uexchange已经转化为平稳时间序列.
图3序列d.C-Uexchange的自相关图
3.3白噪声检验
利用SAS软件对差分处理后的序列进行白噪声检验,结果如表1所示.从表1中可以看出,延迟6期、延迟12期、延迟18期、延迟24期的Q统计量的相伴概率均小于显著性水平1%,所以应该拒绝原假设.原假设是假设该序列为白噪声序列,因此得出该序列属于非白噪声序列,具有相关性以及进一步分析的价值.
3.4模型的建立
3.4.1模型定阶
模型的定阶可以通过观察自相关系数以及偏自相关系数的拖尾或者截尾的特征来进行识别.根据SAS软件对序列d.C-Uexchange输出的自相关图以及偏自相关图可以初步判定,自相关系数4阶截尾,偏自相关系数拖尾.由于自相关系数在延迟4阶时显著超过了2倍标准差的范围,所以首先拟合疏系数模型SARIMA(0,(1,4),(4)).由于序列C-Uexanchge具有明显的递增趋势以及季节效应,因此还可以对其建立乘积季节模型ARIMA(0,1,1)×（0,1,1）4.
3.4.2参数估计
利用最小二乘法对模型的参数进行估计,估计结果如表2所示.从表2可以看出,两个模型的各个参数的t检验统计量的相伴概率均小于显著性水平1%,所以应该拒绝原假设,原假设是假设该参数不显著,因此两个模型的参数显著,通过了参数显著性检验.
3.4.3模型诊断
模型诊断即模型的显著性检验.检验一个模型是否有效主要看它是否已经提取了充分的相关信息,如果拟合模型的残差序列中已经不再含有任何相关信息即残差序列为纯随机的序列,那么此模型为显著有效的模型.因此,应该对模型的残差序列进行白噪声检验.用SAS软件对两个模型的残差序列分别进行白噪声检验,结果显示,在两个模型中,延迟任意阶数下的Q检验统计量的相伴概率都显著大于显著性水平1%,故不能拒绝原假设,认为残差序列是白噪声序列,说明模型已充分提取了序列d.C-Uexanchge的相关信息,模型显著有效.
3.4.4模型比较
疏系数模型SARIMA(0,(1,4),(4))与乘积季节模型ARIMA(0,1,1)×（0,1,1）4相比,为得到相对最优模型,应该根据SBC准则选择SBC函数值较小的模型作为最终拟合模型.乘积季节模型ARIMA(0,1,1)×（0,1,1）4的SBC函数值为-1251,疏系数模型SARIMA(0,(1,4),(4))的SBC函数值为-1249,因此乘积季节模型ARIMA(0,1,1)×（0,1,1）4为相对最优模型,该模型具体形式为：
(1-B4)(1-B)xt等于（1-0.197B）(1-0.873B4)εt
E（εt）等于0,Var（εt）等于0.0003
3.4.5模型预测
利用乘积季节模型对2017年3月2日至2017年3月6日的中美汇率进行预测,预测结果如表3所示.
4结论
本文通过建立疏系数模型以及乘积季节模型对中美汇率进行了时间序列分析建模,通过两个模型的比较选出了更为合适的乘积季节模型,并利用该模型对2017年3月2日至2017年3月6日的中美汇率进行了预测.从分析结果可以得到以下结论：从2016年3月至2017年3月,人民币对美元整体呈现出连续贬值的态势.中美汇率的时间数据之间具有强烈的相关关系.本期之前的中美汇率走势会对本期以及本期以后的中美汇率产生一定影响,并且随着时间的延续,这种影响力度呈现出递减的规律.
参考文献
［1］王燕.应用时间序列分析［M］.北京：中国人民大学出版社,2015.
［2］张成思.金融计量学［M］.北京：中国人民大学出版社,2012.
［3］郑小凤,沈姮,夏之垚.关于我国人口总数的ARIMA模型［J］.中国市场,2014,(51).
本文总结:上文是一篇大学硕士与时间序列本科时间序列毕业论文开题报告范文和相关优秀学术职称论文参考文献资料，关于免费教你怎么写时间序列和ARIMA模型和中美方面论文范文.
参考文献：
1、 基于小波和ARMA模型的时间序列区间预测 摘要提出小波去噪和ARMA模型相结合的预测方法 对上证指数原序列进行小波去噪,然后对去噪后的序列建立ARMA模型,进行95的置信区间的动态预报 关键词小波去噪；ARMA模型；区间预测中图分类号F224.
2、 美利学家造出时间晶体 据国外媒体报道,物理学家发明了一种名叫“时间晶体”的新型物质状态,其中原子不按空间、而是按时间排列 物理学家指出,这些晶体“为我们敞开了非均衡态物质的大门&rdqu.
3、 留白之美静态模型的叙事手法 摘要静态拼装模型作为玩具产业中的一种冷门项目,听上去与艺术的概念相去甚远,在一般大众的观念中甚至往往无法被拿上台面进行讨论 在场面效果上其影响力也远远无法与和之相近的金属成品模型、遥控模型相提并论 但.
4、 中美时间观念对比分析 顾婷婷／北京语言大学汉语国际教育学部摘要Hall在无声的语言中写道“时间会说话,而且比言辞更加明白” 时间作为非语言交际形式的一种,在人们的交流会话中,尤其是跨文化交际过程中起.
5、 移动图书馆用户采纳行为模型构建与实证 摘要系统全面地获取用户采纳移动图书馆的主导影响因素以及它们之间的复杂关系,对提高图书馆移动服务质量具有重要的实践指导意义 文章采取开放式问卷获取移动图书馆用户采纳的影响因素,并结合用户采纳理论中的TT.
6、 高校科研数据管理和共享政策的案例和执行模型 摘要文章采用网络调查、内容分析和现场考察法,从政策内容、角色定位、平台建设三个方面剖析伊利诺伊大学数据银行政策体系现状与特点 在对已有政策执行模型优缺点与适用范围比较的基础上,选择史密斯过程模型来验证.