时间序列分析方法研究与其在中美汇率预测的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 选题的背景 | 第8-9页 |
| 1.2 研究的目的与意义 | 第9页 |
| 1.3 国内外研究现状 | 第9-11页 |
| 1.3.1 时间序列分析方法国内外的研究 | 第9-10页 |
| 1.3.2 国内外的汇率研究 | 第10-11页 |
| 1.4 主要工作与技术方法 | 第11-13页 |
| 1.4.1 论文的主要工作 | 第11页 |
| 1.4.2 论文的技术方法 | 第11-13页 |
| 2 时间序列分析的基本概念与模型 | 第13-21页 |
| 2.1 时间序列分析的基本概念 | 第13-14页 |
| 2.1.1 时间序列和随机过程 | 第13页 |
| 2.1.2 均值、方差和协方差 | 第13页 |
| 2.1.3 平稳性 | 第13-14页 |
| 2.1.4 趋势和季节性 | 第14页 |
| 2.2 平稳时间序列模型 | 第14-17页 |
| 2.2.1 一般线性过程 | 第14-15页 |
| 2.2.2 自回归(AR)模型 | 第15-16页 |
| 2.2.3 滑动平均(MA)模型 | 第16页 |
| 2.2.4 自回归滑动平均(ARMA)模型 | 第16-17页 |
| 2.3 非平稳时间序列模型 | 第17-18页 |
| 2.3.1 差分平稳化 | 第17页 |
| 2.3.2 求和自回归滑动平均(ARIMA)模型 | 第17-18页 |
| 2.3.3 其他变换 | 第18页 |
| 2.4 条件异方差时间序列模型 | 第18-21页 |
| 2.4.1 ARCH模型 | 第18-19页 |
| 2.4.2 GARCH模型 | 第19-21页 |
| 3 建立模型 | 第21-29页 |
| 3.1 ARIMA模型的建立 | 第21-26页 |
| 3.1.1 相关函数与AIC和BIC | 第21-23页 |
| 3.1.2 模型的识别 | 第23-24页 |
| 3.1.3 参数估计 | 第24-25页 |
| 3.1.4 模型诊断 | 第25页 |
| 3.1.5 模型预测 | 第25-26页 |
| 3.2 GARCH模型的建立 | 第26-29页 |
| 3.2.1 模型识别 | 第26页 |
| 3.2.2 参数估计 | 第26-27页 |
| 3.2.3 模型诊断 | 第27-29页 |
| 4 实例分析 | 第29-44页 |
| 4.1 数据的选取 | 第29页 |
| 4.2 数据的初步分析 | 第29-32页 |
| 4.3 ARIMA模型方法的分析与预测 | 第32-39页 |
| 4.3.1 ARIMA模型的定阶问题 | 第32-33页 |
| 4.3.2 ARIMA模型的参数估计 | 第33-34页 |
| 4.3.3 ARIMA模型的显著性检验 | 第34-37页 |
| 4.3.4 ARIMA模型的预测 | 第37-39页 |
| 4.4 GARCH模型方法的分析与预测 | 第39-44页 |
| 4.4.1 GARCH模型的条件检验 | 第39-41页 |
| 4.4.2 GARCH模型的拟合 | 第41-42页 |
| 4.4.3 GARCH模型的预测 | 第42-44页 |
| 结论 | 第44-45页 |
| 参考文献 | 第45-47页 |
| 致谢 | 第47-48页 |
