ARIMA模型毕业论文答辩PPT解析.pptVIP

基于ARIMA模型的石油价格短期分析预测 导 师： 答辩人： 专 业： 选题背景 研究目的 选题意义 石油是当今世界的主要能源。 石油在世界能源消费结构中所占的比例越来越大。 石油是世界性 的重要贸易商 品和不可缺少 的战略物资。 石油价格 短期预测 建立石油价格预测模型，对石油价格进行预测。 为国际石油 价格预测， 提供参考。 有助于国家制定石油贸易策略、参与期货交易等。 对世界各国政治、经济、军事等方面具有重要意义。 1 选题背景及意义 石油价格预测国内研究现状 1、Hotelling,Harold.The economics of exhaustible Resources.Journal of Political Economy.1931 2、Pindyck,R.S.Gains to producers from Cartelization of exhaustible resource Reviews of Economics Statistics.1978 3、油价结构与奇异性分析 梁强,范英,魏一鸣（2006） 4、基于ARCH类模型的国内油价波动分析统计研究 潘慧峰,张金水（2005） 5、国际石油价格短期影响因素的实证分析 殷晓红,陈红（2008） 时间序列模型 2 国内外研究现状 3.1 论文结构 绪论 模型与方法概述 时间序列理论 数据分析 建立模型 模型定量分析 模型定性分析 结论与建议 3.2 研究方法 数据平稳化 模型识别 模型定阶 参数估计 模型检验 3 论文结构及研究方法 4.1几种时间序列模型简介 如果时间序列是它的前期值和随机项的线性函数， 则称该时间序列是自回归序列。 如果时间序列是它的当前和前期的随机误差项的线性函数，则称该时间序列是移动平均序列。 1.自回归（AR）模型 2.移动平均（MA）模型 4 论文要点 如果时间序列是它的当期和前期的随机误差项以及前期值的线性函数则称该时间序列为自回归移动平均模型 。 差分自回归滑动平均模型ARIMA（p，d，q）中，AR是“自回归”，p为自回归项数；MA为“滑动平均”，q为滑动平均项数，d为使之成为平稳序列所做的差分次数（阶数）。ARIMA（p，d，q）模型是ARMA（p，q）模型的扩展。 3.自回归移动平均（ARMA）模型 4.差分自回归滑动平均（ARIMA）模型 平稳性检验 平稳化处理 模型识别与定阶 模型检验 预测分析 参数估计 4.2 ARIMA模型预测的基本程序 4.3 数据分析和预处理 4.3.1布伦特原油价格时序图和二阶差分图 布伦特原油价格时序图 布伦特原油价格二阶差分图 分析结果：布伦特原油价格数据非平稳，二阶差分后平稳。 粮食产量一阶差分自相关和偏相关函数图 从差分后的原油价格序列自相关函数图可以看出自相关系数衰减的很快， 因此我们认为该序列是平稳的。在实际应用中，一、二阶差分比较适用，因为高于一、二阶的差分会掩盖时间序列的模型结构，降低预测精度。 4.3.2 差分后的自相关系数和偏自相关系数 自相关系数 偏自相关系数 粮食产量一阶差分自相关和偏相关函数图 4.4 模型定阶 二阶差分后原油价格序列的白噪声检验 　　二阶差分后原油价格序列卡方检验的概率p值均显著小于0.05，因此我们认为二阶差分后原油价格序列为非白噪声序列，因此可以对二阶差分后的原油价格序列进行模型的定阶，进而进行建模。进而我们得出了二阶差分后原油价格序列的BIC值，由图可以看到当p=0，q=1时，BIC(0,1)=0.413496，最小，因此我们确定的原油价格序列模型为ARIMA(0,2,1) 二阶差分后原油价格序列的BIC值 粮食产量一阶差分自相关和偏相关函数图 4.5 模型的参数估计 由上一步骤建立的ARIMA(0,2,1)模型 利用SAS软件计算模型参数结果如下： 　　由上图可以看出两个模型所有参数的t检验的概率p值均显著小于0.05，因此我们认为原油价格序列模型的所有参数均显著