1、-基于ARMA模型的社会融资规模增长分析ARMA模型实验第一局部 实验分析目的及方法一般说来,假设时间序列满足平稳随机过程的性质,则可用经典的ARMA模型进展建模和预则。但是, 由于金融时间序列随机波动较大,很少满足ARMA模型的适用条件,无法直接采用该模型进展处理。通过对数化及差分处理后,将原本非平稳的序列处理为近似平稳的序列,可以采用ARMA模型进展建模和分析。第二局部 实验数据2.1数据来源数据来源于中经网统计数据库。具体数据见附录表5.1。2.2所选数据变量社会融资规模指一定时期每月、每季或每年实体经济从金融体系获得的全部资金总额，为一增量概念，即期末余额减去期初余额的差额，或当期发行或发生额扣除当期兑付或归还额的差额。社会融资规模作为重要的宏观监测指标，由实体经济需求所决定，反映金融体系对实体经济的资金量支持。本实验拟选取2005年11月到2014年9月我国以月为单位的社会融资规模的数据来构建ARMA模型，并利用该模型进展分析预测。第三局部 ARMA模型构建3.1判断序列的平稳性首先绘制出M的折线图，结果如下列图：图3.1 社会融资规模M曲线图从图中可以看出，社会融资规模M序

2、列具有一定的趋势性，由此可以初步判断该序列是非平稳的。此外，m在每年同时期出现一样的变动趋势，说明m还存在季节特征。下面对m的平稳性和季节性进展进一步检验。为了减少m的变动趋势以及异方差性，先对m进展对数化处理，记为lm，其时序图如下：图3.2 lm曲线图对数化后的趋势性减弱，但仍存在一定的趋势性，下面观察lm的自相关图表3.1 lm的自相关图上表可以看出，该lm序列的PACF只在滞后一期、二期和三期是显著的，ACF随着滞后完毕的增加慢慢衰减至0，由此可以看出该序列表现出一定的平稳性。进一步进展单位根检验，由于存在较弱的趋势性且均值不为零，选择存在趋势项的形式，并根据AIC自动选择之后完毕，单位根检验结果如下：表3.2 单位根输出结果Null Hypothesis: LM has a unit rootE*ogenous: Constant, Linear TrendLag Length: 0 (Automatic - based on SIC, ma*lag=12)t-StatisticProb.*Augmented Dickey-Fuller test statistic-8.67

3、46460.0000Test critical values:1% level-4.0469255% level-3.45276410% level-3.151911*MacKinnon (1996) one-sided p-values.单位根统计量ADF=-8.674646小于临界值，且P为0.0000，因此该序列不存在单位根，即该序列是平稳序列。由于趋势性会掩盖季节性，从lm图中可以看出，该序列有一定的季节性，为了分析季节性，对lm进展差分处理，进一步观察季节性：图3.3 dlm曲线图观察dlm 的自相关表：表3.3 dlm的自相关图Date: 11/02/14 Time: 22:35Sample: 2005M11 2014M09Included observations: 106AutocorrelationPartial CorrelationACPACQ-StatProb*|. |*|. |1-0.566-0.56634.9340.000.|* |*|. |20.113-0.30536.3410.000.|. |*|. |30.032-0.09336.4550.000*|.

4、 |*|. |4-0.084-0.11437.2440.000.|* |.|. |50.1050.01538.4940.000*|. |*|. |6-0.182-0.18242.2960.000.|* |*|. |70.105-0.15643.5630.000.|. |*|. |8-0.058-0.17143.9540.000.|. |*|. |9-0.019-0.19643.9960.000.|* |.|. |100.110-0.04545.4290.000*|. |*|. |11-0.242-0.32952.5010.000.|* |.|. |120.3630.02368.5160.000*|. |.|. |13-0.2020.03273.5340.000.|* |.|* |140.1010.12574.8150.000.|. |.|* |150.0040.14174.8170.000*|. |*|. |16-0.161-0.08978.1100.000.|* |.|. |170.2190.03784.2520.000*|. |.|. |18-0.221-0.03690.6230.

5、000.|* |.|. |190.089-0.04691.6620.000*|. |*|. |20-0.080-0.15892.5160.000.|. |.|. |210.067-0.03993.1150.000.|. |.|. |220.0680.05693.7490.000*|. |*|. |23-0.231-0.130101.080.000.|* |.|* |240.3590.116119.040.000*|. |.|* |25-0.1890.123124.090.000.|. |.|. |260.0320.034124.230.000.|. |.|. |270.0590.037124.740.000*|. |.|. |28-0.1260.044127.080.000.|* |*|. |290.087-0.079128.210.000.|. |.|* |30-0.0500.092128.580.000.|. |.|. |31-0.037-0.019128.790.000.|. |*|. |32-0.035-0.113128.970.000.|. |.|. |330.041-0.0

6、56129.240.000.|* |.|. |340.078-0.027130.210.000*|. |*|. |35-0.215-0.197137.640.000.|* |.|* |360.3800.130161.260.000由dlm的自相关图可知，dlm在滞后期为12、24、36等差的自相关系数均显著异于零。因此该序列为以12为周期呈现季节性，而且季节自相关系数并没有衰减至零，因此为了考虑这种季节性，进展季节性差分，得新变量sdlm：观察sdlm的自相关图：表3.4 sdlm的自相关图Date: 11/02/14 Time: 22:40Sample: 2005M11 2014M09Included observations: 94AutocorrelationPartial CorrelationACPACQ-StatProb*|. |*|. |1-0.505-0.50524.7670.000. |. |*|. |2-0.057-0.41925.0820.000. |. |*|. |30.073-0.29225.6090.000. |* |. |. |40.1600.06728.1690.000*|. |.*|. |5-0.264-0.12535.2520.000. |* |.*|.

《时间序列分析——ARMA模型实验.doc》由会员ph****6分享，可在线阅读，更多相关《时间序列分析——ARMA模型实验.doc》请在八斗文库上搜索。