摘 要

通过时间序列来进行预测是利用已知的数据来进行建模分析，利用所建立的模型来解释样本中数据随时间变化的规律，并且考察该规律考察是否稳定，如果稳定那么就可以用此方法来对接下来的状况给予预测以及分析。通常的时间序列分析所用的方法在金融领域中的应用，有确定性的时间序列分析方法，如时间序列的分解、指数平滑法、移动平均法等等。因为心理、风险等作用，在实际的生活中，这些变量对经济的影响也导致了所预测值并不稳定，这也使得对各因素的考量也值得学者们的加以考量。

论文研究了时间序列的三个重要模型，并将其应用到两类金融时间序列的预测中。一类是参考国家统计局的数据以湖北省和全国的从1984年至2013年为数据基础来建立时间序列模型，并对数据进行处理包括平稳化预处理、模型识别以及对参数的估计。最后对模型进行检验，来确定合适的自回归移动平均模型。并利用这个模型对全国和湖北省2014和2015年的预测值与真实值进行验证，保证模型是否可用且具有稳定性。最后用该模型对全国和湖北省未来5年的来进行预测。另一类为对全国2013年至2015年的进行建立模型并对其后两年进行检验，最后来预测未来5个月的。

研究结果表明：我国近些年来的增长趋势较为缓慢，并且在最近的两年中不断下降。而湖北省由于近年来发展迅速，因此在全国的中湖北省所占比重越来越大。

本文作重点为通过对多数据的考察以及多样本的预测，综合考量数据来进行分析。由样本之间存在的联系来找出原因并提出方法和建议。

关键字：时间序列，，，模型，模型。

Abstract

Time series forecasting is the use of a model to analyze based on previously observed values, and to explain the regularity of data with the change of time in the sample. Then examine the stability of the regularity. If the regularity is stable, so we can predict and analyze future values by this method. Usual method of time series analysis in finance is deterministic time series analysis , such as Time-series Decomposition Method，Exponential Smoothing Method，Moving Average Method and so on .However, as a result of psychologic and risk, the predict value is not stable in real life. Which means some factors also worth examining.

This paper have discussed three important time series models, and apply it to two financial time series forecasting. One is based on the GDP data of state and Hubei province from 1984 to 2013 which is published by State Statistical Bureau to build a time series model, and process these data by stationary processing, pattern recognition and estimating parameter .Secondly test the model to ascertain the appropriate autoregressive integrated moving average model. Thirdly, using this model to test the predict value of GDP of state and Hubei province in 2014 and 2015 to ensure the model’s validity and stability. Finally using the model to predict the GDP of state and Hubei province in the next 5 years. The other is building a model based on the GDP of state and Hubei province from 2013 to 2015.Then test the next 2 years to predict the next 5 months.

The results shows that our country‘s growth trend is slow ,even declined in the recently 2 years,but Hubei province’s growth is rapid and it’s GDP account for bigger and bigger proportion in state.

This paper focus on the investigation of data and forecast of samples through the aggregate data to find out the contact between samples, and analyze the reason to give resolution and suggestion.

Key Words: Time Series, GDP, CPI, ARMA Model, ARIMA Model

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究目的及意义 1

1.2 时间序列分析简述 1

1.3 时间序列的预测方法 2

1.5 本文的主要工作 4

第二章 时间序列分析基本方法 5

2.1 时间序列分析的预处理 5

2.1.1 差分运算 5

2.1.2 平稳性检验 5

2.2 时间序列基本模型 7

2.2.1自回归模型 7

2.2.2移动平均模型 8

2.2.3 自回归滑动平均模型 8

2.3 模型建模步骤 9

2.3.1 数据平稳化处理 9

2.3.2 模型识别 9

2.3.3 参数估计 10

2.3.4 模型检验 10

第三章 通过实例来进行金融时间序列预测 11

3.1全国与湖北省GDP的时间序列预测 11

3.1.1数据来源 11

3.1.2平稳性检验 12

3.1.3平稳化处理 13

3.1.4时间序列模型的建立 16

3.1.5短期预测及分析 20

3.1.6小结 21

3.2全国的时间序列预测 22

3.2.1数据来源 22

3.2.2平稳性检验 23

3.2.3平稳化处理 23

3.2.4时间序列模型的建立 25

3.2.5短期预测及分析 27

3.2.6小结 28

第四章 结论和展望 29

4.1结论 29

4.2展望 29

参考文献 30

致谢 31

第一章 绪论

1.1 研究目的及意义

时间序列建模实际意义上是建立一个具体所需的数学建模过程，利用这个建立的数学模型可以得到输入和输出具有什么样的关系，并且利用已知数据来预测未来的输出数据。时间序列被定义为概率论和数理统计学科的一个部分，是分析研究动态随机序列时所应用到的根基，时间序列的值随着时间变化量而发生变化的一组特定的序列。更广泛来说是一个随着时间变换的一个或多个自变量变化所得到的序列。时间序列也往往由于其他偶然的变量使得表现出随机性，其数据在统计上彼此之间存在着种种关系。正是因为这种依赖关系可以做出预测的依据。

时间序列在金融的时间序列中发挥着重要的作用。随着金融业的信息化以及传统金融行业向大数据化的发展，使得在这个领域中产生了大量的数据。因此金融时间序列的数据来源比较广泛，比如房地产市场中的房价变化，金融股票市场的价格数据以及监控数据等都是时间序列数据，金融行业所开展的许多活动中，比如风险管理、价格预测、投资决策、客户分析都越来越依赖于其因为拥有大量数据而得到的分析。具有历史意义和广泛空间下的实践数据给时间序列相关理论提供了丰富的数据资源，这也给预测赋予了现实的意义。

1.2 时间序列分析简述

在事物的表象中发现其本质，找到内在的联系从而发现其规律。在联系和发展的眼光去看待问题，并在具体的事例中充分的贯彻和执行下去，在本例中就要用到时间序列这种方法。