[基于ARIMA模型的大庆原油价格预测.docVIP

枣 庄 学 院 数学与统计学院 课程论文 （2012-2013学年第2学期） 论文题目: 基于ARIMA模型的大庆原油价格预测 课程名称： 应用时间序列分析 任课老师： 王频 姓 名: 张小琼，张鑫，张哲 班 级: 2010级本科二班 基于ARIMA模型的大庆原油价格的预测 摘要：石油是工业经济的命脉，石油的价格受多种因素的影响。我国是工业大国，石油价格的变动影响着经济发展的许多方面，因而研究原油的价格具有极其重要的意义。本文对2000年1月到2010年12月我国大庆原油月平均价格做了研究。通过建立ARIMA模型运用EVIEWS软件很好的找到了石油价格变动的规律并对2011年的前10个月做了预测。 关键词：原油价格， ARIMA模型 ， EVIEWS软件，预测 一、问题的提出 在经济快速发展的今天，石油作为工业生产的原材料，有着举足轻重的作用。作为工业大国，目前我国对石油的需求已跃居世界第一。面对巨大的需求，单单依靠本国的开采是远远不够的，而我国石油的来源无非是国内开采和国外进口。由于国际对石油的需求与供给复杂多变，石油的价格也是飘忽不定的，从而也使得我国本土的石油价格有一定的变化。大庆石油基地是我国最重要的原油产地，分析其原油价格对于我国的经济有着重要的意义。为此，我们找到了从2000年1月到2010年12月大庆原油月平均价格的数据。那么，如何对这一数据进行分析，找到其中的变化规律，使我们更好的认识大庆原油价格的变化并对其进行预测呢？ 二、问题的分析 从数据中可以看出这是一组时间序列数据，对于时间序列数据，依据统计学中的《应用时间序列分析》课程，这属于ARIMA模型分析的内容。我们首先要对数据的是否平稳做出回答，而对于平稳性，有宽平稳与严平稳之说，为了分析的简便，规定这里所指的平稳为宽平稳。若平稳，我们只需通过ARMA模型来进行分析。若不平稳，我们还需要将原始数据进行处理，让其变为平稳。将不平稳变为平稳通常采用差分的方法。变为平稳的数据后就可以通过ARMA模型来进行分析了。对于ARMA模型，最重要的一步便是模型的识别与定阶，这一步关系到整个模型的预测质量，因此，在这一步应该通过建立多个模型进行比较筛选的方式来进行。确定模型后，我们就可以采用已建立的模型来预测了。分析内容如图1。 图1 分析简图 以上步骤通过EVIEWS软件可以很好的实现。 三、模型的建立与求解 （1）数据导入EVIEWS 将附录中的表：2000年1月到2010年12月大庆原油月平均价格中的数据存放在新建的excel表格中，然后在EVIEWS中建立工作空间将其导入。 （2）平稳性检验 1.时序图判断 建立时序图，如图2 图2 原数据折线图 从图中可以看出该序列呈指数上升趋势，可以初步判断此时间序列数据显著非平稳。 2.AC,PAC判断 计算原始数据的AC（自相关系数）和PAC(偏自相关系数)，如图3 图3 原始数据的AC和PAC 从图中看出，AC衰减到零的速度非常缓慢，所以断定y 序列非平稳。为了进一步说明原始数据是非平稳序列，我们进行ADF判断。 3.ADF判断 如图4 图4 原始数据的ADF检验图 从图中我们看到，即在显著性水平0.01下，接受存在一个单位根的原假设，所以可以断定此数据为非平稳时间序列数据。进而，为了找出其非平稳的阶数，我们对原始数据进行一阶差分序列进行ADF检验。结果如图5 图5 原始数据一阶差分序列ADF检验结果 从图中可以看出在显著性水平0.05下显著拒绝存在单位根的原假设，说明一阶差分序列是平稳的，从而也可以确定ARIMA模型中的。 （3）建立差分序列 从以上的分析我们确定了ARIMA模型中的，故只需对原始数据做一阶差分，得到一阶差分序列再进行分析即可。如图6，图7 图6 一阶差分序列的折线图 图7 一阶差分序列的AC和PAC图 从这两幅图中可以看出，一阶差分序列式平稳的，且其AC表现为拖尾，其PAC表现为一步截尾。从而可以初步判断一阶差分序列为AR（1）模型。 （4）模型定阶 从一阶差分序列的AC和PAC图中我们初步判定了其为AR（1）模型，在此，不妨设一阶差分序列的模型为AR(1),AR(2)，ARMA(1，1).如图8，图9，图10分别为一阶差分序列的AR(1),AR(2)，ARMA(1，1)模型试探图。 图8 一阶差分序列的AR(1)模型试探图 图9 一阶差分序列的AR(2)模型试探图 图10 一阶差分序列的ARMA(1，1)模型试探图 经判断，我们选定一阶差分序列为AR（1）模型。为了进一步判断一阶差分序列为AR（1）模型的可靠性，我们需要对其进行残差的自相关-偏自相关的诊断检验，如图11 图11残差的自相关