3d做ppt模板下载网站,钻戒网站建设需求,wordpress更好用吗,中国空间站现在有几个人一、研究背景与意义
汇率是指两个国家之间的货币兑换比率#xff0c;而且在国家与国家的经济交流有着举足轻重的作用。随着经济全球化的不断深入#xff0c;在整个全球经济体中#xff0c;汇率还是一个评估国家与国家之间的经济状况和发展水平的一个风向标。汇率的变动会对…一、研究背景与意义
汇率是指两个国家之间的货币兑换比率而且在国家与国家的经济交流有着举足轻重的作用。随着经济全球化的不断深入在整个全球经济体中汇率还是一个评估国家与国家之间的经济状况和发展水平的一个风向标。汇率的变动会对一个国家的对外贸易频繁度、外汇储备以及对于国内的物价水平都会产生一定的影响。故针对于汇率的变动应该采取相应的措施及政策。....
二、国内外研究现状及总结
随着我国经济的不断发展进步人民币在国际上的地位逐渐提升出现了大批学者对于汇率的研究其研究的角度有许多其中具有代表性的有研究影响汇率波动的因素、关于汇率政策与制度的研究以及通过建立适当的模型来进行汇率波动的研究和预测个人看来其中最为主流的角度还是建立相应的模型来进行研究。.....
三、研究对象
本文的研究对象是2009年至2020年的中美的月度汇率数据数据来源于雅虎财经网其中包括每月开盘、收盘价每月最高价最低价以及涨跌幅度。为了分析清晰本文选择了每月收盘价为主要序列数据。
首先将所获取得到的数据进行清洗、缺失值处理等预处理操作。然后将处理好的数据进行分析然后选择适当的模型进行预测最后得出相应的结论。
四、主要研究内容和方法
本文主要是以时间序列分析为主要基础针对特定时间段内的中美汇率波动来分析建模以及预测后期的汇率走势重点介绍本论文研究主要运用的ARIMA模型以及ARCH、GARCH模型的理论然后针对数据来进行实证分析做出相应的预测。....
五、模型知识概述
略
六、实证分析
本文选取了2009年1月至2020年1月的中美汇率月度数据其中数据包括每月的开盘价(open)收盘价(close),每月中最高点、最低点数据以及汇率变动比率等等为了研究的更好进行本文选择的是每月的收盘价为主要数据来进行分析及操作。
pop-read.table(D:/网页下载/USD_CNY历史数据.csv,sep,,header T)
pop
pirce-pop$close
HL-ts(pirce,frequency 12,start 2009)
plot(HL,main 汇率变动,xlab 年份,ylab汇率变动量)
#白噪声检验
for(i in 1:2) print(Box.test(HL,type Ljung-Box,lag6*i)) 随后对于本文的时序数据进行描述性统计其具体结果如下表
表 时序数据描述性统计 Min 1st Qu Median Mean 3rd Qu Max 6.054 6.284 6.584 6.562 6.827 7.154
其次进行纯随机性检验只有当序列为非白噪声序列才能进行后续操作否则是无意义的。
表 纯随机性检验 Box-Ljung test Data: 2009年1月-2020年1月 X-squared 664.74 df6 P_value2.2e-16 X-squared 1029.8 Df12 P_value2.2e-16 从图分析中美的月度汇率的时间序列图形在2009年-2020波动起伏较大可见受许多政治、经济等因素的影响单从时序图可以判断该序列是属于非平稳序列
为了保证其科学性下一步需要做关于该序列的ADF单根检验。
表 中美汇率的ADF检验 Augmented Dickey-Fuller Test Alternative : stationary Type 1:no drift no trend Lag: ADF P_value 0 -0.454 0.513 1 -0.396 0.530 2 -0.384 0.533 3 -0.372 0.537 4 0.378 0.535 Type 2: with drift no trend 0 -1.49 0.526 1 -1.95 0.347 2 -1.93 0.356 3 -2.08 0.296 4 -1.93 0.354 Type 2: with drift with trend 0 -1.71 0.696 1 -2.16 0.504 2 -2.15 0.510 3 -2.29 0.452 4 -2.19 0.493
从上表可以看出其P值大于0.05的显著性水平故在0.05的显著性水平下接受其原假设即表明该序列为非平稳序列。
从上表3.3可以看出其P值大于0.05的显著性水平故在0.05的显著性水平下接受其原假设即表明该序列为非平稳序列。
#打印出关于季节性趋势的图表
dc-decompose(HL)
season-dc$figure
plot(season,type b,xaxtn,xlab Month,ylab Season Effect)由于本文数据为汇率数据该类型数据通常具有集聚效应故在序列为平稳序列基础上查看其差分之后差分图。
#差分和画出差分图
diff(HL)
plot(diff(HL))win.graph(width3.25,height2.5,pointsize8)
tsdisplay(diff(HL))
dc-decompose(diff(HL))
plot(dc) 模型选择
#ARIMA(1,1,)
modelArima(HL,orderc(1,1,0))
summary(model)#aic -2588.36 Training set error measures: Series: 中美汇率 ARIMA(0,1,1) Coefficients: ma1 0.3127 s.e. 0.0811 Sigma^20.004074: Log likelihood 191.02 AIC-378.04 AICc-377.95 BIC-372.11 ME RMASE MAE MPE MAPE MASE ACF1 Training set -0.0016 0.0634 0.0447 -0.0260 -0.6762 0.2001 0.0067
无论是AIC准则还是BIC准则模型都定位一个模型即ARIMA011。并且也可从表中得出模型的各个评判指标。最终模型的表达式应为 接下来进行残差分析 接下来GARCH检验及预测看是否存在ARCH效应。 ARCH LM-test ; null hypothesis: no ARCH effects Data: model$residual Chi-squared2.9169 df1 P_value0.08766 Chi-squared3.0018 df2 P_value0.0229 Chi-squared9.0705 df3 P_value0.02837 Chi-squared10.198 df4 P_value0.03722 Chi-squared12.263 df5 P_value0.03136 进一步运用所得到的模型进行预测本文由于是月度数据所以为了保证预测的准确性将预测阶数定为5阶其最终预测结果如下图和表。
###模型预测
modelArima((HL),orderc(0,1,1),include.mean T,transform.parsT)
model
#预测未来5期99.5%置信区间
forecast-forecast(model,h5,levelsc(95.5))
forecast
##可视化预测图
plot(forecast) 七、结论与展望
本文通过分析2009年1月至2020年1月的中美汇率首先通过差分将序列变为平稳序列再通过季节因素提取提取出其他因素然后进行ARCH检验本文是LM检验最后建立模型ARCH(1,1)和ARIMA(0,1,1)进行分析和预测最终预测结果表现为中美汇率的整体趋势是往下波动。但是随着时间周期的变成预测误差变得越来越大这可能是传统预测模型的缺陷所在.....
代码和数据
代码和完整报告
创作不易希望大家多多点赞收藏和评论
