目录
1 选题的背景和意义
1.1 选题的背景
1.2国内外研究现状及发展趋势
2研究的基本内容
2.1 基本框架
2.2 研究的重点和难点
4 预期成果
2、资料收集准备阶段
3、论文写作及答辩阶段
1 选题的背景和意义
1.1 选题的背景
展望2017年,国内经济继续处于长周期的底部,经济仍有下行压力,但供给侧改革的深入推进有助于压缩下跌空间。去产能改善供需关系,工业部门走出通缩,企业盈利持续改善;去库存大幅降低房地产市场存销比,提升地产商补库存冲动;去杠杆推动货币政策趋于保守,抑制资产价格泡沫,缓解金融风险。
2017年我国跨境资本外流压力趋缓。从国际因素看,强美元是把双刃剑,美国积极财政政策力度可能低于预期而货币政策也难以快速收紧,美元指数有望阶段性回调。从国内外汇市场供求看,外债偿还压力下降而海外官方机构增持人民币资产需求上升有助于进一步改善外汇供求关系。
总而言之,2017年中国经济增速虽在下滑,但经济增长质量正在提高。国内经济积极因素增多,结构性改革提速、货币政策更加保守、需求水平回稳而企业盈利维持正增长态势。这种转变有助于改变国内资产荒的不利局面,推动资金回流实体经济,为中期经济回暖积蓄能量。
1.2国内外研究现状及发展趋势
经济与商业中的时间序列，如通货膨胀率、股票价格指数、失业率、市场份额、汇率等因其具有的经济与现实意义，长期以来一直吸引了国内外的很多学者对其进行计量分析。近几十年来，人们对构建时间序列模型以及将其应用于预测的兴趣与日俱增。人们希望根据系统有限长度的运行纪录(观察数据)，建立比较精确地反映时间序列中所包含的动态依存关系的数学模型，并借以对系统的未来行为进行预测。“随机漫步模型”认为价格变动是由当期的随机因素决定的，大量的投资者之间不相关的交易行为，由此产生的影响就像大量液体分子对花粉微粒的无序碰撞，最终导致数据的波动类似于“布朗运动”，李晓先[1](2017）选取2005年1月4日至2016年12月16日的上证指数数据,运用ARIMA模型进行了预测。研究发现,在短期内ARIMA模型对上证指数的预测效果较好。王惠星和林嘉喜[2](2017)根据数据的时间序列的特性,选取2004年1月到2016年11月每日收盘价为原始数据作为研究对象,利用数据时间序列特性具有优势性的差分自回归移动平均模型(ARIMA模型)建立ARIMA模型对其进行定量分析,并且对未来走势进行预测。董小刚和李纯净[3] (2012)运用时间序列分析中的ARIMA模型分别对日收盘价和实时数据两种类型数据进行研究。通过时序图判断序列的平稳性,依据单位根检验的结果进行差分,判断模型阶数,建立ARIMA(p,d,q),并应用模型对未来的日收盘价进行预测。金长江[4] (2010)本文通过将ARIMA(p,d,q)模型作用于中国上证综合指数自1991年底月度的时间序列数据,从而达到对指数进行合理预报的效果。 向莹和王雅萍[5] （2009）结果表明,无论是在模型的拟合还是在预测方面都得到了较好的效果,对广大基金投资人具有一定的指导意义。 事实证明,没有任何一种模型是万能的或绝对最优的,对不同的序列、同一序列的不同时段可能会有不同的模型最适合它。
2研究的基本内容
2.1 基本框架
