摘要：本文依据现阶段我国汇率变动的实际情况,选取了的美元兑换人民币汇率的299个数据,对数据进行汇率的波动规律研究.研究中采用了时间序列分析方法并结合ARIMA模型进行实证分析,结果表明ARIMA(2,1,2)模型对美元兑换人民币汇率的拟合程度最好,并以此模型对我国未来汇率走势进行了预测.39418
毕业论文关键词：人民币汇率;ARIMA模型;汇率预测
Analysis and Forecast of the RMB Exchange Rate Based on
Time Series Model
Abstract：In the paper, we selected 299 data of the RMB exchange rate between January 7, 2014 and February 28, 2015, based on the actual situation of China’s exchange rate at the present stage, and studied on the fluctuation of exchange rate data.in the research. We adopted the method of time series analysis with the ARIMA model to do empirical analysis, the results show that ARIMA(2,1,2)model has the best fitting degree of RMB exchange rate. And we carried on the forecast trend of RMB exchange rate based on the model .
Keywords：The Exchange Rate of RMB ; The Model of ARIMA ;The Forecast of Exchange Rate
目 录
摘要 1
引言 2
1．模型知识概述 2
1.1 ARMA模型 2
1.2 ARIMA模型 3
1.3 ADF检验 4
2．实证分析 4
2.1数据的选择 4
2.2平稳性检验 5
2.3平稳性分析 7
3．基于ARIMA模型的参数估计和模型预测 7
3.1参数估计 7
3.2模型预测 11
4．结论 13
参考文献 14
致谢 15
基于时间序列模型的人民币汇率分析与预测
引言
汇率是国际金融的重要变量之一,它不仅影响着国家经济的对内均衡和对外均衡,还能直接反映国际金融市场的演变特征,因此,了解汇率的变动特征并对汇率变动的准确预测,对于国家宏观经济研究具有重要意义[1].目前,随着国际油价、矿石价格的大幅度上涨以及房地产价格的上扬,调整人民币汇率的政策出台已经到了势在必行的时刻.就像温总理在两会上所说,“我们确立的目标是实行以市场为基础的、有管理的、浮动的汇率制度[2].”现在我们一定要做的就是加快对汇率改革方案的研究,让汇率在经济市场中更加具有弹性.
汇率预测的研究方法很多,传统的研究方法[3]有：随机游走（Random walk）模型、广义自回归异方差（GARCH）模型、自回归整合移动平均（ARIMA）模型;非参数的研究方法[4]有：VAR模型、神经网络模型以及多元回归模型.张奕韬[5]（2009）利用GARCH_M模型进行的人民币汇率预测;戴晓枫和肖庆宪[6] (2003)利用ARIMA模型进行的人民币汇率的预测和评价;徐少强和李亚敏[7] (2007)基于ARMA模型的实证方法;等等.
本文主要运用ARIMA模型的基本知识和作图方法,对非平稳的时间序列进行一阶差分,然后对差分后的平稳序列建立时间序列模型[4],最后,对模型进行参数的选取和预测.确认该模型的汇率走势拟合度比较接近后,对汇率未来的波动趋势进行拟合.
1．模型知识概述
1.1 ARMA模型
ARMA(p ,q)又称为自回归移动平均模型（Auto Regressive and Moving Average Model）[8],其模型结构如下
（1）
当 ,该模型是中心化 模型;
当 时, 模型就成了 模型 ;
当 时, 模型就成了 模型.
1.2 ARIMA模型
ARIMA(p, d, q)又称为求和自回归移动平均（autoregressive integrated moving average）模型[8],是指将非平稳的时间序列转化为平稳的时间序列,再将因变量仅对它的滞后值及随机误差项的现值和滞后值进行回归所建立的模型[4]. 基于时间序列模型的人民币汇率分析与预测:http://www.751com.cn/shuxue/lunwen_39709.html