ARMA模型在中国外汇储备中的应用引言：以ARMA模型来对我国外汇储备进行回归分析，以1993年1月到2011年9月我国的外汇储备为例，利用金融分析工具EVIEWS对其进行分析，关键词：ARMA模型EVIEWS时间序列模型金融时间序列变量是现代金融学中实证研究的核心。它指将某种现象某一个统计指标在不同时间上的各个数值，按时间先后顺序排列而形成的序列。时间序列法是一种定量预测方法，亦称简单外延方法。在统计学中作为一种常用的预测手段被广泛应用。时间序列分析在第二次世界大战前应用于经济预测。在金融分析中，时间序列的重要作用体现在与他对未来的预测是建立在预测对象以往的历史数据的基础上的，这在某种程度上提高了预测值的精度与可行度。在股票价格的分析中，时间序列研究的优势不光体现在他的数据都是具有先后顺序的严格数据，还在于在考虑了股票价格对时间的依赖性之外，还考虑了其对市场的随机波动性的影响。本文以长城开发的价格为研究对象，并进行了建模。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---1.ARMA简介ARMA模型是由美国统计学家G.E.P.Box和英国G.M.Jenkins在二十世纪七十年代提出来的时间序列分析模型，即自回归移动平均模型。ARMA（p,q）模型的一般形式为：ppqq其中：为方差为的白噪声过程p和q都是非负值的整数，而当p=0时，模型就转化为MA（q）模型，而当q=0时，模型就转化为AR（p）模型。2、模型建立以我国1993年1月——2011年9月每月的外汇储备额为例，利用EVIEWS软件绘出图形：如图—1所示，我国的外汇储备数学分析模型为：图——1通过对此折线图的观察，我们发现，我国1993年1月——2011年9月的外汇储备额符合时间序列模型。再来观察研究对象的自相关函数与偏自相关函数的图形，通过对图-2的分析，我们可以看出，我国自相关函数呈现明显的拖尾趋势，而其偏自相关函数也在一期之后出现了明显的截尾趋势，因此可以判断该模型符合AR（p）模型。而在实际中也会存在一些相关趋势，以及一些随机扰动的因素。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---图——23、建立初始模型通过对图——2的观察，我们可以发现，研究对象符合AR(P)模型，对于AR(P)的滞后期数，初始设定为7期，然后根据AIC标准来确定最优滞后期数。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---图—3我们可以看出，前一期的Prob.为0，常数项不为0，即不相关。应该被剔除。且其AIC值为11.31926.之后AIC（6）=11.21365，AIC(5)=11.29111，AIC（4）=11.27686，AIC(3)=11.26323，AIC(2)=11.24963，AIC(1)=11.25073.由此可见，此模型的最优滞后期为p=6，同时从图二可以看出q=1。则其基本模型设定为：c+1其中：代表股票价格，c是截距项，是序列不相关的随机扰动误差项。OLS回归估计结果报告如下图：---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---图—4从结果的拟合优度、系数的显著水平以及图-5中描述的残差序列图和残差的自相关函数图来看，ARMA(6，1)模型能够比较好的刻画我国外汇储备的模型。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---图—5则其最终模型为：4.结果预测下面运用此模型对我国外汇储备进行预测,其结果如图-6所示，蓝线表示的即为预测的值，其结果与显示数据之间还有些误差值，但是在正常误差范围内，该模型是可以接受的。由于外汇储备的变动较大，因此短期内的预测还是可以接受的，但是长期的预测值误差程度较大，可信度不高。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除--...