На бирже курсовых и дипломных проектов можно найти готовые бесплатные и платные работы или заказать написание уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов по самым низким ценам. Добавив заявку на написание требуемой для вас работы, вы узнаете реальную стоимость ее выполнения.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Быстрая помощь студентам

 

Результат поиска


Наименование:


Курсовик модели ARIMA в эконометрических исследованиях

Информация:

Тип работы: Курсовик. Добавлен: 11.6.2013. Сдан: 2012. Страниц: 19. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Введение

В данной работе «Модели ARIMA в эконометрических исследованиях» рассматривается моделирование и прогнозирование на основе моделей Бокса и Дженкинсона. Актуальность исследования вытекает из необходимости детального анализа и прогнозирования тенденций развития во времени. Целью данной работы является изучение особенностей и построение ARIMA модели.
Объектом исследования являются модели ARIMA. Прогнозирование осуществляется на основе данных о предыдущей деятельности.
В качестве предмета исследования выступают динамические временные ряды.
Объемы продажи и покупки валюты рассматриваются в абсолютной величине, а не в рублевом эквиваленте, по следующим причинам. При прогнозировании в рублевом эквиваленте в значения уровней ряда автоматически включается курс валюты, который меняется каждый день. Также на рублевые суммы влияет величина инфляции. Это может исказить прогноз. Объём продажи и покупки в абсолютном выражении освобожден от прямого влияния курса валюты и инфляции. Поэтому для выявления тенденций в данном случае предпочтительнее использовать абсолютные показатели.
Целью данной курсовой работы является описание, моделирование и выявление тенденций временных рядов объемов покупки и продажи евро коммерческим банком, а также построение прогноза.
В первой главе данной работы дается описание существующих применяемых методов анализа, моделирования и прогнозирования временных рядов. Рассматривается классификация моделей, алгоритмы и технологии их построения, а также критерии выбора наиболее подходящей модели.
Во второй главе работы непосредственно проводится исследование временных рядов объемов покупки и продажи евро. Строится несколько моделей для каждого ряда, из которых выбираются наиболее адекватные и значимые. На основе выбранных моделей строится итоговый прогноз по каждому ряду. Описываются тенденции и характер рядов и полученный прогноз. Таким образом, описывается и прогнозируется ситуация на валютном рынке (на рынке евро).
Для нахождения параметров, оценок моделей, проведения тестов на качество и значимость, а также для прогнозирования использовались пакеты EViews4 и Excel.


Глава 1 ARIMA-модели
Процедуры оценки параметров и прогнозирования, предполагают, что математическая модель процесса известна. В реальных данных часто нет отчетливо выраженных регулярных составляющих. Отдельные наблюдения содержат значительную ошибку, тогда как вы хотите не только выделить регулярные компоненты, но также построить прогноз. Методология ARIMA, разработанная Боксом и Дженкинсом (1976), позволяет это сделать. Данный метод чрезвычайно популярен во многих приложениях, и практика подтвердила его мощность и гибкость (Hoff, 1983; Pankratz, 1983; Vandaele, 1983). Однако из-за мощности и гибкости, ARIMA - сложный метод. Его не так просто использовать, и требуется большая практика, чтобы овладеть им. Хотя часто он дает удовлетворительные результаты, они зависят от квалификации пользователя.
1.1 Два основных процесса
Процесс авторегрессии. Большинство временных рядов содержат элементы, которые последовательно зависят друг от друга. Такую зависимость можно выразить следующим уравнением:
xt = c + a1*x(t-1) + a2*x(t-2) + a3*x(t-3) + ... + et
Здесь:
c - константа (свободный член),
a1, a2, a3 - параметры авторегрессии.
Каждое наблюдение есть сумма случайной компоненты (случайное воздействие) и линейной комбинации предыдущих наблюдений.
Требование стационарности. Заметим, что процесс авторегрессии будет стационарным, только если его параметры лежат в определенном диапазоне. Например, если имеется только один параметр, то он должен находиться в интервале -1< <+1. В противном случае, предыдущие значения будут накапливаться, и значения последующих xt могут быть неограниченными, следовательно, ряд не будет стационарным . Если имеется несколько параметров авторегрессии, то можно определить аналогичные условия, обеспечивающие стационарность.
Процесс скользящего среднего. В отличие от процесса авторегрессии, в процессе скользящего среднего каждый элемент ряда подвержен суммарному воздействию предыдущих ошибок. В общем виде это можно записать следующим образом:
xt = µ + et - b1*e (t-1) - b2*e (t-2) - b3*e (t-3) - ...
Здесь:
µ - константа,
b1, b2, b3 - параметры скользящего среднего.
Другими словами, текущее наблюдение ряда представляет собой сумму случайной компоненты (случайное воздействие) в данный момент и линейной комбинации случайных воздействий в предыдущие моменты времени.
Обратимость. Не вдаваясь в детали, отметим, что существует "двойственность" между процессами скользящего среднего и авторегрессии. Это означает, что приведенное выше уравнение скользящего среднего можно переписать (обратить) в виде уравнения авторегрессии (неограниченного порядка), и наоборот. Это так называемое свойство обратимости. Имеются условия, аналогичные приведенным выше условиям стацион........




Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.