时间序列析 论文.docVIP

欧元对人民币汇价短期预测 [ 摘 要 ] 以2002年4月---2012年5月欧元对人民币汇价数据为基础，运用ARMA模型进行汇价的拟合，通过对比分析，得出ARMA(2,1)模型能更好地模拟欧元对人民币汇价的走势。文中运用此模型进行预测, 其结果具有精度高、稳定性好等特点。通过对未来汇价的预测可以为有效制定相关决策，实现外汇投资盈利提供帮助。 [ 关键词 ] ARMA模型;欧元汇价预测;时序数据;SAS软件 [ Abstract ] Based on the data of Euro against RMB exchange rate from April,2002 to May,2012,using the ARMA model to fit the price,we can acknowledge that the ARMA(2,1) model better simulate the trend of the exchange rate through comparative analysis.In this paper, the result has the advantages of high precision, good stability and other characteristics with using the model.The future exchange rate prediction can provide help to make relevant decisions effectively and achieve implementation of foreign exchange investment profit. [ Key words ] ARMA model; The euro exchange rate forecast; Time series data;SAS software 绪论 为了讨论欧元对人民币汇价动态行为所具有的复杂性，首先需要建立汇价动态预测模型，并对所需模型复杂行为和条件进行探讨。在实际问题中系统现象大多为非平稳序列，由于非平稳时间序列的方差随着时间的推移而增加，并不符合经典回归模型的假设条件，拟合效果也不理想，所以无法使用回归模型来表示该种经济现象和预测未来变化。如何建立表现趋势性和季节性等复杂现象最合适的模型，需要进一步探讨。经过试算认为，用时间序列ARMA模型预测汇价变动精度较高，同时具有一定的可操作性及实用价值。本文就如何选择动态模型进行汇价实证研究谈点个人见解。 本论 ARMA模型构建思路 ARMA预测法是由自回归模型（AR）及移动平均模型(MA)组成的。ARMA系统的建模思想是将预测对象随时间的推移而形成的数据序列视为一个随机序列。构成该时序的单个序列虽然具有不确定性, 但整个序列的变化却有一定的规律性。如果该时间序列是非平稳序列通过差分才能够达到平稳。在实际应用中要根据系统现象本身特征采用几种方法交叉使用，然后选择最合适的阶数在实际应用中要根据系统现象本身特征采用几种方法交叉使用，然后选择最为合适的阶数（p,q）作为待建模型。 利用ARMA模型进行预测的具体步骤 一是平稳性检验。在确定或估计各种时间序列之前, 为了获得可靠一致的结果，必须确定时间序列为一平稳序列。（1）对原始时间序列的平稳性检验, 通过观察时序图和自相关图来进行；（2）检验平稳序列是不是白噪声序列。一般通过自相关图来判断，若自相关函数基本都在两倍标准差范围内，则该时间序列是白噪声序列，即序列的变动是纯随机的。 二是模型的定阶，即确定p、q值。通常用自相关函数和偏自相关函数的拖尾与截尾情况来判断。但是模型的阶数（p，q）不能直接得到，需结合其他方法进行定阶。 三是对模型参数进行估计，然后评价模型的拟合效果。 四是利用模型对未来进行预测。 实证分析—对欧元汇价预测的应用 （1）序列的平稳性检验 本文给出2002年4月—2012年5月欧元对人民币汇价的动态资料进行实证分析，分析过程及结果借助统计软件SAS9.1.3。根据以上思路拟合人民币对欧元过去121个月汇价序列。对样本数据绘制时序图： 图1 2002年4月—2012年5月欧元对人民币汇价时序图 由图1可知，欧元汇价没有明显的递增或递减趋势，初步认为原始序列可能是平稳序列，进一步通过自相关图（图2）来判断： 图2 原始序列自相关图 显然，原始序列为非平稳序列。 通过2阶差分后序列自相关图如下： 图3 2阶差分序列自相关图 因此，原序列经过二阶差分后是平稳白噪声序列，即对二阶差分后序列可以建立ARMA（p，q）模型。 （2）相对最优定阶 使用SAS系统的相对最优模型识别，获得一定范围内的最优模型定阶