开题报告-文献综述-毕业论文-时间序列分析模型研究.docx

开题报告-文献综述-毕业论文-时间序列分析模型研究.docx

《开题报告-文献综述-毕业论文-时间序列分析模型研究.docx》由会员分享，可在线阅读，更多相关《开题报告-文献综述-毕业论文-时间序列分析模型研究.docx（64页珍藏版）》请在冰豆网上搜索。

毕业论文开题报告

信息与计算科学

时间序列分析模型研究

一、选题的背景与意义

选题背景

时间序列分析研究的一个重要原动力源于金融市场超大容量数据的获得。

在经济全球化竞争日益激烈和金融市场日益复杂的环境中，这些数据的可利用价值对于投资者的作用越来越大。

但是，这些数据非常庞大，传统的数据处理方法远远不能对其进行有效的加工处理。

因此，对这些数据进行综合分析的迫切性使得时间序列分析的研究显得尤为重要。

在这样的背景下，国内外学者对于证券、期货等金融衍生工具的收盘价格进行了建模分析，希望得出有效的预测方法。

然而这些数据的庞杂、单一性和分析手段多样性等等的特点，使得要对其建立正确的模型提出很高的要求。

目前学者们的工作大多集中在对数据进行处理分析和单一化的建模方法上，而忽略了可能存在的更好的建模方法。

眼下学者们大多采用的是自回归滑动平均模型（ARMA模型）和广义自回归条件异方差模型（GARCH模型）。

选题意义

对于金融产品价格数据的庞杂，使得对其进行建立正确的模型提出了很高的要求。

对于分析模型的多样性和它们得出的众多预测结果，使得投资者们对于未来价格的判断产生了彷徨。

因此，本文在针对这一不足，对选取的期货收盘价的数据采用传统的自回归滑动平均模型（ARMA）和广义自回归条件异方差模型（GARCH）进行分析和预测，比较出它们的孰优孰劣，提出一些投资者需要的建议以及提供有效的模型预测方法，因此是具有现实意义和时代意义的。

二、 研究的基本内容与拟解决的主要问题

本文首先回顾前人的研究成果，介绍自回归滑动平均模型（ARMA模型）和广义自回归条件异方差模型（GARCH）模型，然后针对选取的金融产品价格数据分别进行建模和在其建立基础上的预测，通过比较得出模型的优劣；最后

16

提出一些对投资者有利的建议。

本文的提纲如下：

1绪论

1.1引言

1.2ARMA模型的介绍

1.3GARCH模型的介绍

2数据选取和初步处理

2.1数据选取和平稳性检验

2.2数据白噪声化

3模型及指标选取和数据来源

3.1ARMA模型及指标选取和数据来源

3.2GARCH模型及指标选取和数据来源

4模型结果预测和比对

4.1ARMA模型结果预测

4.2GARCH模型结果预测

4.3模型预测结果及比对5建议

5.1给投资者的一些建议拟解决的主要问题

1.针对金融产品价格数据的模型建立。

2.在选取的数据基础上针对ARMA模型和GARCH模型的比较。

三、 研究的方法与技术路线

研究方法

1.1文献资料法：

本文通过对时间序列分析的研究文献和资料进行深入的阅读和理解，对模型建立方法能够进行熟练的掌握。

1.2模型分析法：

本文在对金融产品数据进行初步加工处理的基础上利用

EViews软件进行建模分析。

1.3比较法：

本文采用了对两种模型预测结果相比较的方法，在对现有金融数据进行分析预测，以期得出某些对投资者有意义的结论和建议。

GARCH模型识别和参数估计

异方差效应检验

对数据平稳性检验和白噪声化

技术路线

时间序列分析模型研究

模型的介绍

模型预测结果的比较

ARMA模型识别和参数估计

研究结论和建议

四、 研究的总体安排与进度：

阶段

内容

措施

2010.12

搜索信息，确定选题，研究计划，撰写开题报告

了解时事，收集、阅读相关文献、数据资料，请导

师指导

2010.12—2011.1

对开题报告初稿进行修改

定稿，开题

、进一步阅读相关文献，进

行归纳总结、范畴界定

2011.1—2011.3

理论回顾与研究起点、范畴界定，进行理论分析

通过图书馆、因特网手段收集文献，进行模型等研

究

2011.3—2011.4

设计指标，收集数据，进

行实证分析，完成论文初稿撰写

通过网络、学校图书馆、

市图书馆、互联网数据库收集数据，分析结果

2011.3—2011.5

论文修改，数据校对

征求导师修改意见，继续

深入研究，完成论文修改

2011.5中旬

毕业论文定稿，完成相关材料的填写

仔细论证论文结构内容，

理清主要观点，完成文字段落校对

2011.5下旬

答辩

论文打印，准备答辩

五、主要参考文献

[1]王振龙.时间序列分析.中国统计出版社.1993.

[2]彭作祥.金融时间序列建模分析.西南财经大学出版社.2005.

[3]潘红宇.金融时间序列模型.对外贸易经济出版社.2007.

[4]张世英,许启发,周红.金融事件序列分析.2007.

[5]特伦斯•C•米尔斯[英],俞卓菁/译.金融事件序列的经济计量学模型（第二版）.经济科学出版社.2002.

[6]武伟，刘希玉，杨怡，王努.时间序列分析方法及ARMA，GARCH两种模型.计算机技术和发展.2010.

[7]潘贵豪，胡乃联，刘焕中，李国清.基于ARMA-GARCH模型的黄金价格实证分析.2010

[8]马莉，徐庆宏.基于ARMA模型的汇率走势预测及在商业银行外汇理财业务中的应用.西南师范大学学报.2009

[9]张芳.基于金融事件序列GARCH模型的研究.山东理工大学.2010.

[10]方启东,温鑫,蒋佳静,丁攀攀,沈友红,王琰.基于时间序列分析的股价预测.

宿州学院学报.2010

[11]侯成琪,徐绪松.计量经济学方法之时间序列分析.技术经济.2010.

[12]范群林.石油期货价格混沌时间序列预测方法研究.沈阳大学.2008.

[13]祖彦柱.时间序列ARCH模型在期货市场中的应用研究.河北工业大学.2005.

[14]汤岩.时间序列分析的研究和应用.东北农业大学.2007.

[15]刘罗曼.时间序列平稳性检验.沈阳师范大学学报.2010.

[16]罗凤曼.时间序列预测模型及其算法研究.四川大学.2006.

[17]邓军,杨宣,王玮,蒋喆慧.运用ARMA模型对股价预测的实证研究高伟良.股票价格时间序列ARCH模型.合肥工业大学硕士学位论文,2009.

[18]安潇潇.ARMA相关模型及其应用.燕山大学.2010.

[19]高铁梅．计量经济分析方法与建模——Eviews应用及实例．清华大学出版社，2009.

[20]JinyuLi,WeiLiang,ShuyuanHe.EmpiricallikelihoodforLADestimatorsininfinitevarianceARMAmodels.StatisticsandProbabilityLetters（2010）.

[21]HepingLiu,ErginErdem,JingShi.ComprehensiveevaluationofARMA–GARCH（-M）approachesformodelingthemeanandvolatilityofwindspeed.AppliedEnergy（2010）

[22]RobertF•Engle.AutoregressiveConditionalHeteroscedasticitywithEstimatesoftheVarianceofUnitedKingdomInflation.Econometrica,Vol,50,No.4（July,1982）.

毕业论文文献综述

信息与计算科学

时间序列分析模型研究

人们的一切活动，其根本目的无不在于认识和改造客观世界。

时间序列分析不仅可以从数量上揭示某一现象的发展变化规律或从动态的角度刻画某一现象与其他现象之间的内在数量关系及其变化规律性，达到认识客观世界之目的。

而且运用时间序列模型还可以预测和控制现象的未来行为，修正或重新设计系统以达到利用和改造客观之目的。

从统计学的内容来看，统计所研究和处理的是一批又“实际背景”的数据，尽管数据的背景和类型各不相同，但从数据的形成来看，无非是横剖面数据和纵剖面数据两类（或者叫做静态数据和动态数据）。

横剖面数据是由若干相关现象在某一时点上所处的状态组成的，它反应一定时间、地点等客观条件下诸相关现象之间存在的内在数值联系。

研究这种数据结构的统计方法是多元统计分析。

纵剖面数据是由某一现象或若干现象在不同时刻上的状态所形成的数据，它反映的是现象以及现象之间关系的发展变化规律性。

研究这种数据的统计方法就是时间序列分析。

由此足以看出时间序列分析的重要性和其应用的广泛性。

早期的时间序列分析通常都是通过直接观察的数据进行比较或绘图观测，寻找序列中所蕴含的发展规律，这种分析方法就称为描述性时间序列分析。

古埃及人发现尼罗河河水间歇性泛滥的规律就是依靠这种分析方法所得出的。

而在天文、物理、海洋学等自然科学领域中，这种简单的描述性时间序列分析分析方法也常常能使人们发现意想不到的规律。

比如，19世纪中后叶，德国药剂师、业余的天文学家施瓦尔就是运用这种方法，经过几十年不断的观察、记录，发现了太阳黑子的活动具有11年左右的周期。

描述性时间序列分析方法具有操作简单、直观有效的特点，它通常是人们进行统计时间序列分析的第一步。

统计时间序列分析

随着研究领域的不断扩展，人们发现单纯的描述性时间序列分析有很大的局限性。

在金融、法律、人口、心理学等社会科学研究领域，随机变量的发展通常会呈现出非常强的随机性，如果通过对序列简单的观察和描述，总结出随

机变量发展变化的规律，并准确预测处它们将来的走势通常是非常困难的。

为了更准确地估计随机序列发展变化的规律，从20世纪20年代开始，学

术界利用数理统计学原理分析时间序列。

研究的重心从表面现象的总结转移到分析序列值内在的相关关系上，由此开辟了一门应用统计学科——时间序列分析。

纵观时间序列分析的发展历史可以将时间序列分析方法分为两大类。

（1）频域分析方法

频域分析方法也被称为“频谱分析”或“谱分析”方法。

早期的频域分析方法假设任何一种无趋势的时间序列都可以分解成若干不同频率的周期波动，借助富里埃分析从频率的角度揭示时间序列的规律，后来又借助了傅里叶变换，用正弦、余弦项之和来逼近某个函数，20世纪60年代，Burg在分析地震信号时提出最大熵谱估计理论，该理论克服了传统谱分析所故有的分辨率不高和频率漏泄等缺点，使谱分析进入一个新阶段，我们称之为现代谱分析。

目前谱分析方法主要应用于电力工程、信息工程、物理学、海洋学和气象科学等领域，它是一种非常有用的纵向数据分析方法。

但是由于谱分析过程一般都比较复杂，研究人员通常要具有很强的数学基础才能熟练使用它，同时它的分析结果也比较抽象，不易于进行直观解释，导致谱分析方法的使用具有很大的局限性。

（2）时域分析方法

时域分析方法主要是从序列自相关的角度揭示时间序列的发展规律。

相对于谱分析方法，它具有理论基础扎实、操作步骤规范、分析结果易于解释的优点。

目前它已广泛应用于自然科学和社会科学的各个领域，成为时间序列分析的主流方法。

时域分析方法的基本思想是源于事件的发展通常都具有一定的规律性，这种规律性用统计的语言来描述就是序列值之间存在着一定的相关联系，而且这种相关联系通常具有某种统计规律。

我们分析的重点就是寻找这种规律，并拟合出适当的数学模型来描述这种规律，进而利用这个拟合模型预测序列未来的走势。

时域分析方法最早可以追溯到1927年，英国统计学家G.U.Yule（1871-1951）

提出自回归（autoregressive，AR）模型。

不久之后，英国数学家、天文学家

G.T.Walker在分析大气规律时使用了滑动平