本書以介紹時間序列分析與預測技術為主,以大量案例為輔,詳細介紹 ARIMA模型的機理與應用、季節性調整的原理與操作的方法、離群值的檢測與處理、傳遞函數與動態回歸等時間序列分析與預測的關鍵方法及其應用.本書運用中國宏觀經濟案例輔助時間序列知識進行講解,部分章節以案例分析貫穿始終,一方面印證書中的理論知識,另一方面為讀者自行運用時間序列方法分析數據提供參考案例驅動的講解方式,便于讀者理解,達到學以致用本書可供學習時間序列分析與預測的計量經濟類高等院校學生證券銀行類或科研院所的研究人員、想從事量化分析或者大數據分析的其他人員使用。

目錄

第1章 時間序列概論 1

1.1 時間序列簡介 1

1.2 實例研究 3

1.3 預期、平穩性、遍歷性 10

1.4 差分方程 12

第2章 ARMA模型 15

2.1 數據分析與分析目的的擬定 15

2.2 系統的記憶性 16

2.3 平穩型時間序列模型—ARMA模型 20

第3章 模型檢驗 28

3.1 時間序列的建模 28

3.2 相關系數 28

3.3 樣本自相關系數 30

3.4 移動平均模型的自相關系數 32

3.5 自回歸模型的自相關系數 37

3.6 混合ARMA(1， 1)模型的自相關系數 42

3.7 自相關系數判定模型 42

3.8 偏自相關系數與樣本偏自相關系數 43

3.9 附錄 48

第4章 整合自回歸移動平均模型及混合模型的判定 55

4.1 隨機游走模型 55

4.2 ARIMA(0， 1， 1)模型—幾何平滑法 58

4.3 ARIMA(0， 1， 1)模型的另一方法—自適應預期模型 62

4.4 ARIMA(p， 1， q)模型 63

4.5 ARIMA(p， 2， q)及ARIMA(p， d， q) 63

4.6 后移運算子B 68

4.7 確定趨勢序列的模型 69

4.8 四則實例 70

4.9 判定混合模型的階數 74

4.10 單位根檢驗 82

4.11 附錄 82

第5章 模型估計與檢驗 86

5.1 模型估計 86

5.2 小二乘法 87

5.3 自回歸模型的估計 92

5.4 移動平均模型的估計 95

5.5 模型檢驗 98

第6章 時間序列預測與相關方法 100

6.1 ARIMA(p， d， q)模型的兩種形式 100

6.2 預測未來的觀測值 101

6.3 一般性指數平滑法 113

6.4 單指數平滑 113

6.5 雙指數平滑 115

6.6 Holt氏雙參數指數平滑 118

6.7 Winters氏相加季節性指數平滑 119

6.8 Winters氏相乘季節性指數平滑 121

6.9 利用季節性指針的一般性指數平滑 122

6.10 利用調和函數的一般性指數平滑 123

6.11 綜合說明 124

6.12 指數平滑總表 125

6.13 附錄 125

第7章 季節性模型與季節性調整 130

7.1 傳統季節性模型 130

7.2 季節性ARIMA模型 131

7.3 Box-Jenkins的航空模型 137

7.4 一般性相乘季節性模型 144

7.5 固定式與隨機式季節性模型 145

7.6 案例分析: 航空旅游人數的預測比較 145

第8章 介入模型與離群值的檢測 158

8.1 介入模型構建 159

8.2 介入分析 163

8.3 離群值的檢測與估計 163

8.4 離群值的檢測與模型參數估計 172

8.5 離群值的介入模型分析實例 175

第9章 傳遞函數模型與動態回歸模型 179

9.1 傳遞函數模型 179

9.2 Xt與Nt的形式 180

9.3 傳遞函數特性 181

9.4 自相關系數 181

9.5 傳遞函數模型識別 182

9.6 實例說明一 186

9.7 實例說明二 196

9.8 附錄 198

參考文獻 223