基于ARMA模型周期性特征商品市场营销策略研究.docVIP

基于ARMA模型周期性特征商品市场营销策略研究 　　内容摘要：对于商品，如何判定其是否具有周期性特征？如果商品具有周期性特征，对其应采用何种市场营销策略，才能确保商品销售效果更佳？对这些问题，笔者通过自主构建分析方法的方式，确定了一种具有统计学高置信度意义的分析方法。将此方法具体应用到北上广地区保险市场中五大险种，从而确定了北京地区财产险、人身险-健康险这两种险具有显著的周期性特征。基于上述分析结果，为北上广地区保险产业深入发展提出了市场营销总体策略。 　　关键词：周期性商品 市场营销策略 北上广 计量经济 　　中图分类号：F270 文献标识码：A 　　目标与意义 　　在市场中销售的商品，在表象背后是否隐藏着某种规律？此次研究，以表象背后是否存在着周期性规律为研究目标。希望通过此研究，能对具有周期性规律的商品进行规律确定，确定的基础必须是基于统计学意义上高置信度分析结果。同时，在确定周期性特征之后，还对这种周期性商品的市场营销策略给予总体上的确定，通过营销策略的确定，不仅对应商品销售效果更佳，而且对具有类似特质的非周期性商品销售给出营销策略建议。整个分析方案应自主设计完成，设计的理论分析方法应具有宽领域应用性与高可复制性，尽量避免分析只能局限于某一个领域或者是某一些领域内有效。 　　理论基础及方法选择 　　在理论研究中，将通过三个环节对如何进行周期性判定以及对具有周期性特征商品的市场营销方案如何确定给出具体的回答。 　　（一）平稳性验证方法 　　要进行平稳性验证，首先必须对平稳性有一个明确的定义，才能展开对应的验证。在高等统计学中，平稳性是在平稳随机过程中提出的，只有过程为平稳随机过程才满足平稳性。对于平稳随机过程，是以时间序列满足一定特征确定的一种随机过程。具体而言，时间序列的期望必须是一个固定的数值，与时间及其它变量无关，必须是相对固定的。其次，时间序列的协方差仅与协方差数据的时间差距有关，与其它因素无关，其也是一个相对固定的数值。满足以上两条的时间序列数据，其对应的随机过程才称之为平稳随机过程，对应的数据才具有平稳性特征。这一结论在理论分析中有巨大的意义，对于平稳随机过程只要满足一定的条件，就可以将其转化为周期性数据与随机脉冲数据的线性组合。但是，在实际分析中，如何在数据序列分布特征未确定的前提下，明确其期望与协方差？就此问题，高级统计学的研究成果表明对数据平稳性的确定，通过计算期望和协方差并不是唯一的途径。可以通过进行ADF分析（在ADF分析研究方面，重点参阅了国内学者金梅等、陈丽江、简志宏等的研究成果，对前两个成果的研究，更加明确了ADF分析方法的实用路径，对最后一个成果的研究，明确了如何规避ADF分析可能存在的漏洞），在二阶差分内，在存在解释量与趋势量的前提下，不用明确序列分布特征，即可确定其平稳性。因此，基于该结果，通过对时间序列数据进行ADF分析，即可明确是否满足平稳性特征。如果满足，再进行对应的分析，确定其是否可以将其转化为周期性数据与随机脉冲数据的线性组合。需要特别强调的是，如果数据不满足平稳性分析，则不能确定对应的时间序列数据是否能转化为周期性数据与随机脉冲数据的线性组合。 　　（二）周期性特征验证方法 　　对于如何验证是否?M足周期性特征，以一个单独的环节进行深入论述。 　　首先，对于时间序列数据，如果是不同时间段的货币单位数据，必须通过可比性处理，将其转变为可以比较的数据（即采用对应的价格指数进行可比性处理）；对于其它非货币单位数据，其数值一般相对客观，不存在时间变化而变化，所以不需要进行可比性处理。 　　其次，对于具有可比性特征数据，使用计量经济分析，主要是进行ADF分析（在ADF研究领域，参阅了国内学者马法尧、李冬梅、钱力的研究成果。三位学者研究成果对如何适用ARMA模型，以及ARMA模型构建及可能存在的缺陷给出了较为详实的实证类说明），对原始数据、一阶差分数据、二阶差分数据，在仅存在解释量、仅存在解释量与趋势量、解释量与趋势量均不存在的各种前提下，进行平稳性分析，在高置信度下，确定其是否满足平稳性要求，这里所说的高置信度是指置信度大于0.85。 　　随后，对在高置信度下满足平稳性要求的时间序列数据，对其进行相关性分析。通过相关性分析，主要是确定其自相关性与偏相关性特征。需要强调的是自相关性是指当期数据与前n期同项目数据之间的相关性（这里的n是正数，大于等于1）；偏相关性是指扣除其它因素影响前提下，两个不同项数据之间的相关性，这种偏相关性依然存在当期数据与前n期数据之间的相关性，不同之处在于是非同项目数据。对于具有周期性特征产品，其周期性可能会在产品某项特征上体现这种自相关性，也会在产品的不同特征项上体现这种相关性（偏相关性）。因此，确定自相关性与偏相关性对于具有周期