ARIMA 模型在我国对外贸易中应用.docVIP

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 +(t 2. 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）。 3. 一般的自回归移动平均（autoregressive moving average）过程ARMA（p，q）将纯AR(p)与纯MA(q)结合，得到一个一般的自回归移动平均（autoregressive moving average）过程ARMA（p，q）： Xt=(1Xt-1+ (2Xt-2 + … + (pXt-p + (t - (1(t-1 - (2(t-2 - ( - (q(t-q 该式表明： （1）一个随机时间序列可以通过一个自回归移动平均过程生成，即该序列可以由其自身的过去或滞后值以及随机扰动项来解释。 （2）如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么我们就可以通过该序列过去的行为来预测未来。这也正是随机时间序列分析模型的优势所在。 4. 自回归单整移动平均时间序列ARIMA(p，d，q) ARIMA模型全称为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。 如果我们将一个非平稳时间序列通过d次差分，将它变为平稳的，然后用一个平稳的ARMA(p，q)模型作为它的生成模型，则我们就说该原始时间序列是一个自回归单整移动平均（autoregressive integrated moving average）时间序列，记为ARIMA(p，d，q)。 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。 ARIMA模型预测的基本程序： （1）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