如何运用ARIMA模型进行农产品价格的预测.docVIP

如何运用ARIMA模型进行农产品价格的预测 摘 要：我国地大物博，拥有丰富的农作物资源与土地资源，是名副其实的农业大国，所以农产品对我国社会经济的发展起着举足轻重的作用，是国民经济的根本。如今，中国市场化经济体系盛行，农产品经济的发展也在飞速进步。为了迎合农产品价格波动在市场经济机制下的供求关系，准确预测农产品价格从而进行官方的价格控制调节，对稳定市场健康发展有着极大的现实意义。本文以畜产品为例，介绍了一种ARIMA农产品价格预测模型。通过对其原理即模型计算方法的解读，进而进行了相关的优化与设计，最后以MVC模式加以辅助，总结出了畜产品价格的预测系统，完成了对畜产品价格未来走势的预测。 关键词：畜产品；ARIMA模型；MVC模式；价格预测；优化 在我国，农产品作为一种国民基础性保障工程正面临转型期。在构建现代化农产品市场体系的转型过程中，合理、科学、全面的进行农产品价格预测势在必行。因为正确的价格预测不但会指导国家农产品转型的方向，也会调整农业结构，促进我国农业的健康发展。在农业科技高度发达的今天，利用像ARIMA这样系统的、科学先进的数学模型进行农产品价格的分析预测是可行且必要的，它也为我国农业经济的优化给出了建设性建议。 一、ARIMA数学模型 1.概念 ARIMA模型（Autoregressive Integrated Moving Average）即差分自回归移动平均模型。它是由美国预测学家乔治?博克斯与格威林?詹金斯在上世纪70年代《时间序列分析：预测与控制》一书中提出的新一代预测方法。ARIMA是单双指数平滑预测的演变体，具有更稳定高效的预测性能。作为一种时间序列预测方法，它讲求“让数据自己说话”的哲学理念，更加着重对经济时间序列概率与随机性质的分析，所以ARIMA不仅仅是一种构造简单的联立方程模型，它有着自己独立的时间序列和规律性，通过对各种数据模型的模拟进行预测，而且短期内预测准确性高。但相对来说，它的长期预测能力则存在较大偏差，所以ARIMA常常用于对1～3期以内的时间序列数据预测。ARIMA的工作原理简单说就是将非平稳时间序列转变为平稳时间序列，之后通过各种变量对时间序列中所产生的滞后值进行随机误差项现值的回归，然后建立数学模型，推测预测结果。它主要包括了自回归过程、移动平均过程、自回归移动平均过程和ARIMA过程。 2.ARIMA模型的预估 本文以猪肉畜产品为例，利用ARIMA模型来对未来猪肉价格进行预测。假设预测点数为10，持续时间为两个月。预测价格上下限区间中存在90%的致信度，在这一区间内，猪肉可能在两个月内出现其应有的价格。在预测点数10以内，可以预测出未来两个月内猪肉价格下降的趋势。但在预测点数10以外，却无法预测出猪肉价格可能上涨的趋势，所以该预测模型存在一定的预期效果模糊问题，亟待改进。 3.对ARIMA模型的优化 如果猪肉产品在当年的价格数据属于非稳定性序列，那么对它的某一阶段进行差分就能得到稳定性序列。但是在模拟模型时，也要考虑到季节周期性对猪肉价格所带来的影响，所以可以优先以季节性为基础进行ARIMA模型的假设优化。 首先，要观察并设计至少一个月的自相关函数ACF图，图中在4、19、33三处出现了滞后数，这说明ACF值相对于左右数目处于峰谷位置，即猪肉价格在这一周期受到了季节影响。图中的周期15与2个月时间相吻合，这表明该季节周期出现了一阶段差分，它让数据序列稳定性提高。此时以周期15为坐标轴心建立ARMIA模型（4，1，4）（0，1，1），则可确定周期15即为猪肉价格所遇到的季节周期。 如果此时对ARIMA模型再进行残差分析，就可以根据ARIMA已确定的坐标（4，1，3）（0，1，1）进行模型拟合从而得到残差直方图表。当残差值在接近均值为0的正态分布时，它的模型可信度就较高，是可以进行预测点数以外未来猪肉价格预测的模型。 利用ARIMA（4，1，3）（0，1，1）模型对未来猪肉的价格进行预测，同样预测时间为两个月，预测点数为10。预测价格上下限区间之间的致信度依然为90%以上，在这一区间内有未来两个月内猪肉出现的价格，经研究和事实证明该预测与现实高度吻合，近乎体现了两个月内猪肉先上升后持续下降的走势，并且在时间到达65点左右时猪肉价格跌到了两个月内的最低谷。预测模型曲线也很好的反映了这一价格波动变化，所以优化后的模型可行性与精确度很高。 4.与传统预测法的比较 如果不使用ARIMA模型而选择指数平滑法这种传统预测方法，它也能在短期预测上取得较好的结果，尤其是能够清晰反映出猪肉在两个月内前期价格快速增长的趋势，但是相对实际值会出现偏低的情况。相比而言，ARIMA模型就很好的反映了猪肉价格上涨指数的实际值，尤其是对非季节性期间的ARIMA建模预测，很好的预测了预测点数10以外的价格走势，