基于乘积季节模型我国保费收入预测研究.docVIP

基于乘积季节模型我国保费收入预测研究 　　摘要:保费收入规模是衡量保险业发展的重要指标。本文运用时间序列分析的原理与方法,对我国1999年1月-2009年2月保费收入数据进行分析。结合该数据的递增性与季节性等特点,经拟合对比18个模型的AIC与SBC函数值,建立了我国保费收入的季节乘积模型,并对我国未来一年的保费收入规模进行预测。 　　关键词:保费收入;乘积季节模型;预测 　　 　　一、引言 　　 　　一国的保费收入是衡量保险业发展的一个重要指标,它能宏观反映保险在该国的发展状况和普及程度。1999年我国保监会全面公布全国保费收入月度数据,行业内通过预测保费收入来分析未来保险业发展规模,在此基础上制定合理的保险发展计划。本文试图根据我国近十年的月度保费收入资料,建立ARIMA乘积季节模型对我国未来的保费收入进行预测。 　　(一)ARIMA乘积季节模型构造原理 　　乘积季节模型是指序列中的季节效应与其他效应之间具有乘积关系,即:x?t=S?t+T?t+I?t 　　此时,简单的周期步长差分并不能将序列中的季节信息提取充分,又因为具有乘积关系,季节效应与其他效应信息的单独提取,具有一定难度。它的构造原理如下:使用低阶ARMA(p,q)模型提取序列的短期相关性,使用以周期步长为单位的ARMA(P,Q)模型提取序列的季节相关性。 　　由于短期相关性和季节效应相关性之间具有乘积关系,所以拟合模型的实质为ARMA(p,q)与ARMA(P,Q)的乘积。综合前面的d阶趋势差分和D阶以周期S为步长的季节差分运算,对原观察值序列拟合的乘积模型完整的结构如下: 　　??d??D?Xx?t=Θ(B)Θ?S(B)Φ(B)Φ?S(B) 　　ε?t 　　式中: 　　Θ?S(B)=1-θ?1B?S-…-??QB??QS? 　　Θ(B)=1-θ?1B-…-??qB?q 　　Φ?S(B)=1-??1B?S-…-??PB??PS? 　　Φ(B)=1-??1B-…-??qB?q 　　该乘积模型简记为ARIMA(p,d,q)×(P,D,Q)?S。 　　(二)乘积季节模型建模过程 　　1.样本预处理 　　建立ARIMA乘积季节模型要求时间序列是平稳随机过程,因此在建模之前必须检验时间序列数据的平稳性,并观察数据的周期数。 　　2.模式识别 　　非平稳的时间序列经过差分变换后,乘积季节模型建模的关键是确定阶次。一般的ARIMA乘积季节模型的定阶方法主要有2种:一种是样本自相关函数ACF??偏自相关函数PACF定阶法,另一种则是最小信息量准则AIC与SBC准则。本文主要用ACF、PACF与AIC、SBC函数值把握模型大致的方向,分别为ARIMA(p,q)、ARIMA(P,Q)定阶,提供一些粗模型以便进一步分析。 　　3.模型检验 　　在进行定阶和参数估计后,对所建立的模型进行检验,如果模型顺利通过残差白噪声检验和参数显著性检验,则建模获得通过,否则需要重新进行定阶和参数估计。 　　4.预测 　　对平稳化的时间序列进行预测。模型识别和参数估计及模型诊断的过程往往是一个模型逐渐完善的过程,需要根据具体的实际问题不断调整最初的选择。 　　 　　二、数据的搜集与整理 　　 　　(一)数据的搜集 　　本文数据来自中国保险监督管理委员会网站,时间区段为我国1999年1月-2009年2月全国的保费收入的分月度资料。以横轴表示时间(月份),纵轴表示各月份的保费收入x(单位:万元),图示如下: 　　由图1可知,各月全国保费收入(x)的时序图显示:该序列具有明显的长期递增趋势和以年为周期的季节效应,是非平稳的时间序列。分析得出:该序列的季节效应、长期趋势效应与随即波动之间有着复杂的相互纠缠关系,简单的ARIMA模型并不足以提取其中的相关关系,本文中采用乘积季节模型来弥补这一不足。 　　(二)序列的差分平稳 　　为消除异方差性,首先将保费收入(x)数据取对数,设y=log(x),取对数后的数据y序列仍包含趋势性和季节性。建立ARIMA乘积季节模型要求建模的序列必须是平稳非白噪声序列,所以,首先通过差分等途径将y序列转化为平稳序列。 　　1.观察y序列的样本自相关系数图和偏相关系数图,可看出样本自相关系数有缓慢下降趋势,偏相关系数在1步、13步、25步较大,作一阶差分消除序列的长期趋势。 　　2.观察y序列的样本自相关系数图和偏相关系数图,发现样本自相关系数在12步、24步、36步特别大,偏相关系数在12步特别大,表明保费收入存在周期为12个月的季节变动特征,于是再作12步的差分以消除季节效应。 　　设1阶12步差分后序列为z序列。对z序列进行平稳性与纯随机性分析,判断该序列是否符合ARIMA模型的建模要求。本文中,采用A