基于X12ARIMA加法模型的保费收入研究（工商管理毕业论文）.docVIP

基于X12ARIMA加法模型的保费收入研究（工商管理毕业论文） 文档信息 主题： 关于“经济、贸易或财会”中“财政、国家财政”的参考范文。 属性： F-00F9LV，doc格式，正文5786字。质优实惠，欢迎下载！ 适用： 作为文章写作的参考文献，解决如何写好实用应用文、正确编写文案格式、内容摘取等相关工作。 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 搞要 2 关键字：保险；月度；X12-ARIMA；模型 2 一、 引言 2 二、 基本描述 3 3. 统计结果。 4 三、 建立模型 5 2. SARIMA模型。 6 （1+）（ 5L11）（）?驻LYR_SA=?自t（7） 7 四、 结论 8 参考文献： 10 论文原创声明（模板） 11 论文致谢（模板） 11 正文 基于X12ARIMA加法模型的保费收入研究（工商管理毕业论文） 搞要 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 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CensusX-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）CensusX-12加法模型分解结果。由分解可知，LYR总体呈向上波动趋势；LYR_TC是除去季节波动后的趋势循环项，较LYR序列相比，趋势性更加明显；在加法模型下，经季节调整后的LYR_SA序列等于LYR_TC加上不规则变动序列LYR_IR；季节调整因子LYR_SF呈现出较为规律的季节波动；不规则变