基于X12-ARIMA加法模型的保费收入研究管理论文.docVIP

基于X12-ARIMA加法模型的保费收入研究管理论文 目录 一、 引言 二、 基本描述 1. 季节性数据 一般而言 2. 数据说明及处理 3. 统计结果 （1）CeusX-12加法模型分解结果 （2）季节因子（序列名_SF） （3）通过对总保费、财产险、人身险最终季节因子进行相关系数矩阵分析 （4）由于CeusX-12不能对趋势循环影响分离 三、 建立模型 1. 灰色预测模型 （1）模型介绍 （4）模型的求解 x（1） x（0） 2. SARIMA模型 （1）SARIMA模型介绍 （2）模型的估计 （1+0.45L） R2=0.266 3，s.e.=0.094，Q26=31.36 4. 模型对比分析 （1）从RMSE而言 （2）从MAPE的绝对值而言 （3）综合来看，SARIMA模型在模型中国保费月度数据时表现最为良好 四、 结论 1. 范维,张磊,石刚.季节调整方法综述及比较.统计研究 2. 栾存存.我国保险业增长分析.经济研究 3. 孙祁祥,郑伟,肖志光.经济周期与保险周期―中国案例与国际比较.数量经济技术经济研究 4. 吕秀萍.1999-2004年中国保险业宏观效率实证研究：基于DEA方法.统计研究 5. 黄薇.中国保险业效率的实证研究：考虑环境因素的影响.统计研究 正文 摘要：文章基于1999年1月~2011年8月中国保费收入月度数据，采用当下最为热门的季节调整方法X12-ARIMA加法模型，对其进行季节调整，得到经调整后的时间序列和季节调整因子，在假设季节调整因子短期内不发生变化的条件下，采用两种模型估计方法建立经调整后的时间序列模型，从而建立中国保费收入月度数据短期预测模型 下载论文网 关键字：保险；月度；X12-ARIMA；模型 一、 引言 进入21世纪，金融业数据信息交换十分频繁，人们已经不满足于年度预测模型，进而期望建立频率更快的月度模型甚至是日度和分时模型，将其运用于金融产品交易和套利、保险理财产品设计、保费现金流量管理和保费收入预测。 建立模型的前提需要有相应的数据，考虑当下我国统计数据的可得性，还难以建立全面的保费收入月度计量模型，如在2003年国家统计局GDP数据核算方法改革后就不对外公布月度GDP数据，宏观数据方面除了汇率、价格指数外及消费品零售总额之外，其他数据基本不可得，因此建立保险月度计量回归分析模型基本不可行，此外由于月度数据往往存在明显的季节特点，因此使用月度数据之前需要对其进行季节调整，要建立月度预测模型，需要面对月度数据季节调整问题。本文通过多次试验之后，决定选择X12-ARIMA加法模型对中国保费收入月度数据进行季节性调整，得到经调整后的时间序列和季节调整因子，在假设季节调整因子短期内不发生变化的条件下，采用两种建模估计方法即灰色预测模型和SARIMA模型，从而建立中国保费收入月度数据短期预测模型。这两种模型突出的优点是：（1）所需的变量少，本文只需用到保费和价格指数两类数据；（2）中短期预测精度较高；（3）有效避免过度数据挖掘过程。 二、 基本描述 1. 季节性数据。一般地，我们需要进行季节调整，一是出于数据的可比性；二是从统计学而言，季节调整后的数值可以进行年率化的测算；三是各保险企业为制定销售计划和控制存量，从而更好地预测保险企业现金流；四是为了能够从总量中消除季节变化，从而更清晰地解释其他类型的变动，更好地反映经济周期的运动规律（中国人民银行调查统计司，2006） 一般而言，我们可以将季节性数据分解为趋势因素、循环因素、季节因素和不规则因素。根据时间序列各组成成分之间的不同依存关系，可以建立不同的分解模型，典型的常用分解模型有加法模型（Additive Model）和乘法模型（Multiplicative Model），本文将选择X12-ARIMA加法模型。 2. 数据说明及处理。本文所用数据主要有四个，1990年1月到2011年8月名义总保费收入月度数据（Y）、财产险（PI）、人身险（包含寿险、意外险、健康险，LI）和相应的居民消费价格指数（CPI），前三者来源于保监会网站，CPI来源于BVD-EIU Country Data数据库，值得说明的是居民消费价格指数是以2005年1月为基准的定基月度数据，处理后可得到以1999年1月为基准的月度CPI。数据处理步骤：第一，用得到的名义保费收入除以相应CPI数据，得到当月实际保费（YR，PIR，LIR），第二，对实际保费数据取自然对数以平滑时间序列，得到LYR，LPIR，LLIR；第三，我们使用CeusX-12加法模型进行调整，得到经季节调整后的实际保费数据（序列名_SA），趋势循环数据（序列名_TC），季节因子（序列名_SF），不规则因子（序列名_IR） 3. 统计结果。 （1）CeusX-12加法模型分解结果。由分解可知，LY