论文基于ARIMA模型货币供应量变动分析是关于货币供应量方面的论文题目、论文提纲、中国2018货币供应量论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文。
[提要] 货币供应量M2对我国宏观经济的稳定有很大的影响,因此研究货币供应量（M2）的变动规律并预测货币供应量的未来变化非常重要.本文采用ARIMA模型分析我国货币供应量M2,使用Eviews7.2软件分析2000～2017年的季度数据,建立ARIMA（4,1,1）（1,1,0）4模型,进行样本内预测,并和真实数据比较,结果表明：模型的数据和实际值偏差很小,误差在1%以内.根据建立的模型预测2018年四个季度货币供给量M2的数量,可以预见在未来一年M2仍旧保持增长态势.
关键词：货币供应量;ARIMA模型;预测
中图分类号：F83 文献标识码：A
收录日期：2018年4月20日
一、前言
2017年 银行采用稳健的货币政策,对货币总量进行管控,减少利率波动的可能性.调节货币的供给是 银行进行宏观经济调控的重要手段之一,也是货币政策的重要组成部分.因此,探讨中国货币供给量M2的变动规律并预测其变动趋势具有非常重要的理论学术价值和实际应用价值,对于政府做经济决策和投资者做个人决策都很有意义.
我国的货币供给量包括三个方面：一是我们生活中常见的流通中的 M0;二是我们现在常说的狭义货币供应量M1;三是广义货币供应量M2,包括货币和准货币.对于货币供给量的相关文献,刘畅基于ARIMA模型和回归模型建立狭义货币供给量M1的组合预测模型,在国家政策变化后,越来越多的人开始研究广义货币供应量M2,孙亚星对2000年1月至2009年9月M2的月度数据建立了ARIMA（6,2,0）模型,管辉对我国1996年1月至2012年1月月度M2建立了ARIMA（2,1,2）（1,1,12）12模型,并对样本期数据进行了预测,雷祥善对2000年1月至2013年9月的中国货币供给量月度数据建立了SARIMA（2,2,1）（1,2,1）12模型,大部分研究者采用的是月度數据研究货币供应量M2的规律,并构建了不同的模型,本文采用季度的货币供应量M2的数据并分析其中的规律.
二、模型的原理
ARIMA模型是一种很常用的计量模型,在经济领域应用广泛.对于不平稳时间序列,它能起到良好的预测作用,通过大量数据的模拟,找出时间序列数据之间的规律,并建立合适的模型,通过数据进行实证检验,一般对于将来会有比较好的预测效果.基于ARIMA模型在对非平稳时间序列预测中的良好效果,许多研究者将其运用金融交易活动,有效地提高了预测的精度.
ARMA（p,q）模型,对于随机平稳的时间序列我们可以直接建立ARMA模型.其中,p代表自回归阶数,q代表移动平均的阶数,AR（p）模型和MA（q）模型都是ARMA（p,q）模型的特殊情况.
ARIMA（p,d,q）模型适用于非平稳的时间序列.生活中许多常见的经济时间序列不是平稳序列,需要使用若干次差分使得原始序列称为平稳序列.
ARIMA（P,D,Q）S模型——适用于仅有季节性趋势的时间序列的模型.有些时间序列不是平稳的,而是随时间有周期变动的趋势,例如经济周期,在4～5年之后呈现相似的变化趋势.我们把一个时间序列在间隔R个时间之后变现出和之前相似的变动,我们可以认为这个序列以R为周期变化.我们将某一时间的值减去R个时刻的值,则可以将该时间序列的周期性消除,这样新序列就变成平稳的时间序列.对于季节性时间序列我们可以用X12方法对时间序列数据进行季节调整.
ARIMA（p,d,q）（P,D,Q）S模型.有些时间序列数据既有趋势性又有季节性特性,一般是月度时间序列数据和季度时间数据,这时一般可以建立乘积季节ARIMA（p,d,q）（P,D,Q）S模型,简称为SARIMA模型.它是ARIMA（P,D,Q）S模型和ARIMA（p,d,q）模型的乘积.模型中的p,d,q;P,D,Q分别是各自不同算子的阶数,它们的数值可以是相同的,也可以是不同的.如果时间序列是平稳的,可建立ARMA（p,d,q）中,如果是非平稳的,需差分处理,使之变为平稳性序列再建立原序列的ARIMA（p,d,q）模型,其中d为差分阶数.判断序列的平稳性,初步判断可采用序列折线图、序列相关图,严格判断应使用计量检验法如Dickey D.& Fuller W.1979年提出的ADF方法等.
三、建模方法和步骤
本文搜集了我国广义货币供应量M2从2000年第一季度至2017年第四季度的数据,数据来源于中国人民银行网站和《中国统计年鉴》,并经过初步的整理.其中,2000年第一季度到2017年第三季度的数据为样本估计期间,2017年第四季度以及2018年四个季度为本章利用ARIMA模型进行样本外预测的预测区间.
（一）平稳性检验.为了消除序列Y的季节性因素,需要对序列Y进行季节差分处理,定义新变量SY,令SY等于Y-Y（-4）.为了判断季节差分后的序列SY的平稳性,首先需要对数据进行预先的处理,观察其时间序列图是否为平稳序列,可以用Eviews7.2软件完成,可得到时间序列,从广义货币供给量M2的折线图可以看到,货币供给量M2随着时间增加也在呈指数般增加,序列有着明显的上升趋势.因此,首先需要消除序列M2的趋势性特性,对序列进行一阶自然对数差分,即定义新变量Y等于d（log（M2））即可生成新的序列R.
为了判定新序列Y平稳性,我们做出序列Y的自相关图和偏自相关图,从中可以看出,序列Y的自相关图函数并没有像原序列M2那样呈指数缓慢衰减,而是迅速衰减.因此可以判定,差分序列M2时间趋势基本得到了消除.但是序列Y的自相关函数在滞后4期、8期、14期超出了95%的置信区间,这些自相关函数显著地不为零.因此,可以认为序列y存在周期为4的季节性.
总结:本论文可用于货币供应量论文范文参考下载，货币供应量相关论文写作参考研究。
参考文献：
1、 基于ARIMA模型青岛市大蒜价格时间序列预测分析 摘要：以青岛市2012年1月至2016年11月共237周的大蒜价格为样本数据，运用SPSS 17 0软件进行统计分析，建立ARIMA（1，2，1。
2、 ARIMA模型在江苏省社会固定资产投资中应用 [提要] 投资是拉动经济增长的三驾马车之一，因此研究我国全社会固定资产投资对研究我国经济增长有着重要的现实意义。本文采用江苏省1991～2015。
3、 我国固定资产投资ARIMA模型其预测 【摘 要】本文选取了1980-2015年我国全社会固定资产投资的相关数据作为研究样本，从时间序列的定义出发，结合统计软件R，对1980-2013。
4、 互联网金融对货币供应量影响 【摘要】在互联网金融快速发展的大背景下，本文以货币乘数理论为基础，选取2007年到2015年数据，以狭义货币供应量为因变量，第三方支付替代率、现。
5、 货币供应量和上证综合指数关系实证 【摘要】本文主要探讨了货币供应量对股票指数的影响。以每月流通中的货币m0、狭义货币供应量m1和广义货币供应量m2为解释变量，以每月的上证综合指数。
6、 国际主要经济体货币供应量统计实践 摘要：货币供应量是各国制定货币政策时重要的参考指标。随着金融创新的不断推进和金融监管的不断放松，国际主要经济体均对货币供应量的统计方法进行了频繁。