论文部分内容阅读
本文应用经验模态分解和时间序列分析模型,研究义乌小商品价格指数的预测问题。文中首先对时间序列分析、经验模态分解和义乌小商品价格指数的发展历史和研究现状进行综合描述。随后介绍了时间序列分析的基本理论,其中包括时间序列的平稳性检验和纯随机性过程,平稳时间序列模型和非平稳时间序列模型。接着详细介绍了经验模态分解(EMD)的理论知识,先对瞬时频率、本征模态函数(IMF)和特征时间尺度这三个基本概念作出解释,然后对EMD分解的基本思想、算法流程、IMF的筛选准则和分解终止的条件进行了详细说明,并阐述了EMD的四个主要特点,即自适应性、滤波性、正交性和完备性。基于这四个特点,本文设计了两种基于EMD-ARIMA模型的建模方法,且两种方案都首先运用EMD对原序列进行分解。第一种方案,对分解得到的有效分量逐个建立预测模型,得出各分量预测值再相加重构,获得最终预测结果,本文简称为“EMD-ARIMA-重构”建模方案。第二种方案,将分解得到的有效分量先重构,再对重构序列建立预测模型得出最终预测结果,本文简称为“EMD-重构-ARIMA”建模方案。在实证研究中,首先应用“EMD-ARIMA-重构”建模方案对义乌小商品价格指数序列进行预测建模,得到第一组预测结果;然后应用“EMD-重构-ARIMA”建模方案对相同的原序列进行预测建模,得到第二组预测结果;最后应用GARCH模型对相同的原序列进行预测建模,得到第三组预测结果。随后对三种建模方案进行对比分析,应用MAPE和RMSE两项指标评价模型的预测误差。结果表明,经EMD处理后的ARIMA模型预测误差比传统时间序列分析方法的GARCH模型预测误差减少了近一倍,其中“EMD-ARIMA-重构”建模方案的预测误差最小。最后,本文总结研究结果得出结论,EMD可大幅提高时间序列分析模型的预测精度,且对分量进行细分化建模预测的精确度最高。本文结尾处,对完善EMD在中、长期时间序列分析中的研究作出展望。