银行盈利能力时间序列建模与预测.pdfVIP

银行盈利能力时间序列建模与预测 银行作为金融业的重要组成部分，是社会资本集合与发散的平台。银行通过 各种业务与金融其他领域相关联，例如保险的银行分销渠道等，银行业的兴衰、 盈利能力综合体现了各种政策、经济环境的影响，因此银行业的盈利能力具有风 向标的作用。在此基础上，银行业的盈利能力预测则显得十分重要——它可以从 侧面反映未来宏观经济走势——从而引导投资者、政府制定决策。 模型概述 ARIMA（p，d，q）自回归积分滑动平均模型 (Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70 年代初提出一著名时间序列预测方法 ，所以又称为box-jenkins模型、博克思- 詹金斯法。其中ARIMA（p，d，q）称为差分自回归移动平均模型，AR是自回归， p为自回归项； MA为移动平均，q为移动平均项数，d为时间序列成为平稳时所做 的差分次数。 模型建立与预测 一、模型选择与定阶 在获取原始数据后，我们发现数据平稳性良好，同时通过了平稳性检验。我 们制作了自相关函数图（AFC）和偏自相关函数图（PAFC ），发现变量 return_on_asssets_post_tax_profit 、 变 量 Net_interest_margin 、 变 量 Cost_income_ratio的偏自相关函数均拖尾，因此对以上三变量选择ARIMA（1，0， 0）模型。对于变量Bad_debt_charge_to_total_assets，虽然自相关函数有截尾 性，但阶数过高，按照BIC准则，阶数惩罚则很大，模型优度不足。因此我们对 该变量同样采取AMIRA（1，0，0）模型进行拟合。即对四种盈利能力指标建立如 下模型： 型号说明 模型类型 模 return_on_asssets 模 ARIMA(1,0,0) 型 ID _post_tax_profit 型_1 Net_interest_marg 模 ARIMA(1,0,0) in 型_2 Cost_income_ratio 模 ARIMA(1,0,0) 型_3 Bad_debt_charge_t 模 ARIMA(1,0,0) o_total_assets 型_4 二、参数估计与检验 经过运算，模型的参数估计值如下，四个变量的参数均通过95%显着性检验。 ARIMA 模型参数 估 计 return_on_assse return_on_assse 无 A 落 .94 ts_post_tax_profit- ts_post_