ARMA预测原油价格解读.pptVIP

动态预测 样本内，预测2014年3月、4月、5月 3月 4月 预测值 107.857 110.32 实际值 107.5 104.62 ARMA 模型是平稳时间序列模型, 要求序列的统计特性不随时间的变化而变化, 即其均值和协方差都是常数。 一个时间序列系统在t时刻的响应Yt 不仅与其以前的自身值有关, 而且还与其以前时刻进入系统的扰动存在一定的依存关系, 记做ARMA ( p, q), 其中p表示自回归的阶数, q表示移动平均阶数。 若某时间序列是非平稳的, 通过差分运算得到平稳性的序列称为单整序列, 序列Yt 通过d次差分成为一个平稳序列, 而这个序列差分d- 1 次时却不平稳, 则称序列Y t 为d阶单整的, 记为Yt~I ( d) ; 经过d阶差分变换后的ARMA ( p, q)模型称为AR IMA ( p, d, q)模型。 目录 1 2 3 4 数据的选取 季节调整 平稳性检验 ARMA模型分析 ARMA模型分析 1 平稳性检验—ADF检验 ARMA模型识别 2 3 ARMA模型估计 4 ARMA模型诊断检验 对原油价格进行预测 5 一.数据的选取 本文选取大庆原油现货价格作为我国石油价格水平的代表, 数据来源于美国能源情报署(http: //ton ) , 其公布的是每月均价。 从2000年1月至2014年5月, 共173个样本数据。数据利用Eviews 6. 0软件处理。 二.季节调整 一个季度或月度的时间序列往往会受到年内季节变动的影响，这种季节变动是由气候条件、生产周期、假期和销售等季节因素造成的。由于这些因素造成的影响有时大得足以遮盖时间序列短期的基本变动趋势，若要掌握经济运行的季度或月度变化，必须进行季节调整。 乘法模型 Yt=TCt?St?It 长期趋势变动T 季节变动S 经济周期循环变动C 不规则变动I 加法模型 Yt=TCt+St+It M M-IR M-SF M-TC 序列具有明显的季节变动和周期循环等影响，其折线图呈现向上不平缓趋势的锯齿状 序列IR是原油价格的不规则要素，其形状杂乱无章，在05年及09年不规则变动较大 序列SF是原油价格的季节要素因子，其形状呈波形，并且可以看出其周期为一年。 序列TC是经过X12季节调整消除季节变动和不规则要素所得的趋势-循环序列，与原序列相比，折线图较光滑，其向上趋势非常明显。 三.平稳性检验-ADF检验 ARMA 模型应用有一个前提条件, 就是要求时间序列是平稳的, 也就是其均值与时间无关, 其方差是有限的。在现实经济生活中, 许多时间序列都是非平稳的, 把非平稳序列转化为平稳序列最常用的方法是差分方式。本文中石油价格用Pt 表示, 为了克服数据的异方差性, 对石油价格进行对数化处理。 但是经由上述的检验只是对数据平稳性的直观判断，时间平稳性需要经过严格检验，否则，用非平稳经济时间序列建立经济模型就会出现虚假回归问题。对时间序列克利用自相关分析判断时间序列的平稳性，但这种方法比较粗略，本文采用较为正式的检验时序平稳性方法，即单位根检验法。 模型的一般表达式为： R t = c + U1R t- 1 + U2R t- 2 + , + UpRt-p + Et + H1 Et- 1 + , + Hq Et- q t = 1, 2…,T dm = d(log(m_sa)) 一阶对数差分变成平稳序列 四.ARMA模型识别 由于检验出序列BIN是平稳的，因此可以建立ARMA模型，在建模之前需要识别ARMA模型的阶数（p，q）。模型阶数的确定通常借助序列相关图。即序列的自相关函数和偏自相关函数。因为每一随机过程都有其典型的自相关函数（AC）和偏自相关函数（PAC）。如果所研究的时间序列适用于其中的某个式样，我们就能识别时间序列的ARMA模型。 下图列示了时间序列的AC和PAC的理论模式： 自相关和偏自相关检验 五ARMA模型估计 识别ARMA模型额形式后，可以使用EViews估计方程参数 “ “ 六模型诊断检验 ARMA模型参数估计后，应该检验模型的确认是否正确，该诊断检验过程通常有两步： 1.将模型生成的序列的自相关函数与原序列的样本自相关函数进行比较分析。如果两个自相关函数存在显著的差异，则应该怀疑模型的有效性，因而需要对模型重新确认。 2.如果两个自相关函数不存在显著差异，则应该对模型的残差序列进行白噪声检验，即检验残差序列的随机性：对于滞后期k≧1，检验残差序列的样本自相关函数是否近似为零。 AR(1) MA(1) 残差检验 AR(1) MA(1) MA(6)