基于時間序列arima模型的人民幣匯率走勢預測

《基于時間序列arima模型的人民幣匯率走勢預測》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫。

1、基于時間序列ARIMA模型的人民幣匯率走勢預測2010年6月19日，央行為進一步增強人民幣匯率彈性，推出第二次人民幣匯率形成機制改革。本文旨在研究第二次匯改后的人民幣兌美元匯率的波動情況。本文為探究時間序列長度對預測準確性的影響，使用R軟件選擇出一個較為適用的模型即ARIMA模型，使用2010年6月19日至2011年7月19日的的人民幣兌美元中間價進行擬合，并對未來半月匯率進行預測。同時，為對比長短與樣本對預測精度的影響，又使用2011年1月1日至7月19日的交易日匯率數(shù)據(jù)進行預測。對比發(fā)現(xiàn)兩中ARIMA模型對匯率預測均有效，而短樣本預測精度較長樣本更優(yōu)。據(jù)進行預測。對比發(fā)現(xiàn)兩中ARIM

2、A模型對匯率預測均有效，而短樣本預測精度較長樣本更優(yōu)。關(guān)鍵詞：ARIMA模型匯率改革匯率預測　　一、研究背景　　從時間序列角度研究人民幣匯率的前期研究成果并不罕見?！　?997年，王祥云、范正琦使用ARMA模型對匯改前1996年的數(shù)據(jù)進行了相關(guān)研究。得出的結(jié)論是人民幣匯率將在短期內(nèi)穩(wěn)定。該結(jié)論是正確的，但在匯改過后，由于政策性的變化，人民又在一次對人民幣匯率進行了時間序列模型的擬合。　　2010年，趙天榮、李成使用了匯改后數(shù)據(jù)，利用二元VAR-GARCH模型，對匯率波動與利率波動的關(guān)系進行了研究，模型成功擬合并預測了匯率未來走勢。同年，相瑞、陶士貴在《GARCH模型檢驗人民幣匯率趨勢的有

3、效性研究》得出結(jié)論，人民匯率水平將在短期內(nèi)保持在現(xiàn)有水平。而從現(xiàn)階段來看，從10年下半年開始到現(xiàn)在，人民幣再一次進入了升值期?！　∮纱藖砜?，預測是否成功與時間段的選取有重要關(guān)系，因此本文基于ARIMA模型使用長樣本與段樣本兩種數(shù)據(jù)對未來匯率進行預測。本文選用的長樣本數(shù)據(jù)是2011年6月19日-2011年7月19日的美元兌人民幣數(shù)據(jù)進行預測，而短樣本則是2011年以后的數(shù)據(jù)1。以下對模型的建立、擬合、預測進行詳細的說明?！　　　《RIMA模型擬合預測的基本步驟2　　（一）、根據(jù)時間序列的散點圖、自相關(guān)函數(shù)和偏自相關(guān)函數(shù)圖，或用ADF單位根檢驗判斷序列方差、趨勢及其季節(jié)性變化規(guī)律，對序列

4、的平穩(wěn)性進行識別。一般來說，經(jīng)濟運行的時間序列都不是平穩(wěn)序列。　?。ǘΨ瞧椒€(wěn)序列進行平穩(wěn)化處理。如果數(shù)據(jù)序列是非平穩(wěn)的，并存在一定的增長或下降趨勢，則需要對數(shù)據(jù)進行差分處理，直到處理后的數(shù)據(jù)的自相關(guān)函數(shù)值和偏相關(guān)函數(shù)值無顯著地異于零。　　（三）、根據(jù)時間序列模型的識別規(guī)則，建立相應的ARMA模型?！　。ㄋ模?、進行參數(shù)估計，檢驗是否具有統(tǒng)計意義?！　。ㄎ澹⑦M行假設(shè)檢驗，診斷殘差序列是否為白噪聲。若通過白噪聲檢驗，說明序列的信息已被提取完整，停止進一步分析?！　。?、根據(jù)相應規(guī)則判定模型有效性后，利用已通過檢驗的模型進行預測分析?！　　　∪?、數(shù)據(jù)處理　　本文使用外匯管理局X站上公布

5、的2010年6月19日至2011年7月19日共265個交易日人民幣兌美元中間價所轉(zhuǎn)換的間接匯率作為人民幣兌美元匯率的時間序列樣本數(shù)據(jù)進行研究。我們的研究將進行兩組模型的對比分析，目的是判別出何種方法可以更好的做出短期預測。第一組對比主要探究用哪一種模型對匯率進行擬合預測效果更好。下面我們分別用ARIMA模型與GARCH模型進行預測?！　?.1長樣本ARIMA模型的選定　　以下，我們按照第二章中的ARIMA模型擬合預測基本步驟對樣本數(shù)據(jù)進行ARIMA模型擬合：我們首先對人民幣兌美元的265個日數(shù)據(jù)進行平穩(wěn)性檢驗。可知，該數(shù)據(jù)存在非常明顯的上升趨勢，一定是不平穩(wěn)的。為避免主觀因素，我們用AD

6、F單位根檢驗對原序列進行平穩(wěn)性判定。由R計算得，原序列ADF檢驗的P值為0.8567，在1%的顯著性水平下無法拒絕序列存在單位根的原假設(shè)，即原序列不平穩(wěn)?！　〉诙剑覀儗υ蛄羞M行差分處理，試圖使序列平穩(wěn)。得出差分序列后，同樣通過ADF單位根檢驗再次判定差分后的新序列的平穩(wěn)性。可知，新序列ADF檢驗的p值為0.01，在1%的顯著性水平下拒絕原假設(shè)，則差分后序列已平穩(wěn)。　　第三步，在對原序列進行了平穩(wěn)性識別以及平穩(wěn)化處理后，我們根據(jù)相應的時間序列規(guī)則建立相應的模型。這里我們選用的是常用的AIC赤池信息原則3來選定模型。AIC赤池信息原則是衡量統(tǒng)計模型擬合優(yōu)良性的一種標準。模型所對應的AI

7、C值越小，模型的擬合程度越好?！　∮蒖軟件計算出的自相關(guān)系數(shù)和偏自相關(guān)系數(shù)，可知自相關(guān)系數(shù)acf在前6階系數(shù)較大，而偏自相關(guān)系數(shù)則在前5階系數(shù)相對較大，因此在確定ARIMA模型的p，q階數(shù)時，應該比較ARIMA(p,1,q)，其中p=1，2，…5；q=1，2，…6，三十種模型的AIC值，選取其中最小的一對系數(shù)作為我們擬合的模型系數(shù)。階數(shù)[1][2][3][4][5][6][7][8][9][10]Acf0.153733-0.0152