基于ARIMA模型的上海市居民消费价格指数实证分析
基于ARIMA模型的上海市居民消费价格指数实证分析
洪京一
【摘要】依据1978-2022年的上海市居民消费价格指数（CPI）数据，利用非平稳时间序列分析（ARIMA）构建CPI預测模型，并对结果进
行实证分析。
结果显示，该模型拟合效果比较理想，将2022、2022年数
据的预测结果与真实值进行比较，发现绝对误差很小。
最后，使用此模型
对上海市2022年、2022年的CPI数据进行了预测。
【Keywords】CPI;ARIMAmodel;short-termforecast
1ARIMA模型的介绍
ARIMA（p，d，q）模型的原理是把非平稳时间序列转化为差分运算和
平稳时间序列的结合，从而能够通过d阶差分转化为ARMA模型。
因此，
在使用此模型分析前，要对数据进行平稳性分析。
而ARMA模型分为AR
（自回归模型）、MA（滑动平均模型）、ARMA（自回归—滑动平均混合模型）3类。
AR模型的表达式为Yt=？茁1Yt-1+？茁2Yt-2+…+？茁pYt-p+εt，
其中εt是独立同分布的随机变量序列，方差大于0，均值等于0;Yt为
待预测的现期值，Yt-i为过去i期的值，对应的？茁i为此数据的系数。
MA模型的表达式为Yt=εt+α1εt-1+α2εt-2+…+αqεt-q，Yt为待预
测的现期值，εt-i是t之前i期的随机干扰值，对应的αi为该数值的
系数。
ARMA模型的表达式为Yt=？茁1Yt-1+…+？茁pYt-p+εt+α1εt-
1+α2εt-2+…+αqεt-q，其中Yt、Yt-i、？茁i、εt-i、αi含义与AR、MA模型中的含义相同。
2ARIMA模型在上海市月度居民消费指数预测中的应用
2.1CPI的介绍
CPI指数，全称为居民消费价格指数，是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的宏观经济指标。
一般来说，CPI 的高低直接影响着国家宏观经济调控措施的出台与力度，同时，CPI的高低也间接影响资本市场的变化。
因此，研究CPI是否稳定及其变化趋势具有重要意义。
基于ARIMA模型的股票价格实证分析
基于ARIMA模型的股票价格实证分析基于ARIMA模型的股票价格实证分析一、引言随着金融市场的不断发展和股票市场的繁荣，投资者对于股票价格的预测和分析成为了热门话题。
股票价格的波动不仅受到市场供需、经济环境等因素的影响，还与投资者的行为和市场心理等因素密切相关。
因此，准确预测股票价格对投资者制定有效投资策略具有重要意义。
在众多的股票价格预测模型中，ARIMA模型因其简单易用和良好的预测效果备受关注。
二、ARIMA模型概述ARIMA模型即自回归移动平均模型(Autoregressive Integrated Moving Average Model)，是一种常用的时间序列预测模型。
该模型基于时间序列过去的值，结合自回归和移动平均的概念，对未来时间点的值进行预测。
ARIMA模型的主要思想是通过观察和分析时间序列的特性，选择合适的模型阶数，建立相关的数学模型，进而对股票价格进行预测。
三、ARIMA模型的应用1. 数据的获取与预处理为了获取股票价格的时间序列数据，可以通过公开的金融数据库或股票交易所进行下载。
获取到数据后，需要对数据进行清洗和预处理，包括去除缺失数据和异常值等。
2. 时间序列的平稳性检验ARIMA模型对于时间序列的平稳性有一定的要求，即序列的均值和方差不随时间变化而发生显著变化。
通过统计学方法或绘制时间序列图进行观察，可以初步判断时间序列的平稳性。
如果序列不平稳，需要进行差分操作，直到时间序列达到平稳。
3. 模型训练和参数估计基于前面步骤得到的平稳时间序列，根据ARIMA模型的建模原则，选择合适的模型阶数。
ARIMA模型有三个参数：p（自回归阶数）、d（差分阶数）和q（移动平均阶数）。
利用最大似然估计等方法，通过计算得出模型参数的最优估计值。
4. 模型的验证和检验模型的验证和检验主要包括残差检验和模型拟合度的评估。
对于残差，可以通过对其进行ACF和PACF图的观察，判断其是否满足随机性和平稳性的要求。
基于ARIMA模型的上证指数分析与预测的实证研究
基于ARIMA模型的上证指数分析与预测的实证研究作者：张颖超孙英隽来源：《经济研究导刊》2019年第11期摘要：近年来，我国资本市场快速发展，其中股票市场吸引了大量的资金。
而股价作为反映企业经济实力、发展水平的重要指标，受到了人们越来越多的关注。
上证指数作为一个综合反映股市变动情况的指标，有利于市场参与者对市场进行分析。
因此，选取2016年2月1日至2018年10月16日的上证指数收盘价作为研究数据，建立ARIMA模型，对未来的上证指数进行预测和分析，以期为广大投资者提供投资指标，为企业政策决定者提供可靠的依据。
关键词：ARIMA模型;预测;时间序列;上证指数中图分类号：F830.91 ; ; ;文献标志码：A ; ; ;文章编号：1673-291X（2019）11-0131-05引言早在数百年前，随着股份公司这种企业组织形态在资本主义国家诞生，股票就随之诞生。
随着我国资本市场的快速发展，股票市场吸引到大量的资金，受到人们越来越多的关注。
上证指数由上海证券交易所编制，以上海证券交易所挂牌上市的全部股票为计算范围，综合反映了上海证券交易市场的总体走势，能够在一定程度上反映国家的经济发展水平、企业的经济实力，以及广大个人投资者的收入水平，是一个全面的、综合的重要经济衡量指标。
因此，通过对上证指数的短期预测可以为大量投资者提供投资指标，给企业政策决定者可信的依据。
然而，股票市场风云莫测、起起伏伏、波动巨大，很难对其长期走势进行长期精准的预测。
目前，预测股票价格走势的方法多种多样，但是均存在对股票价格的波动拟合效果较差、预测精度有限等问题。
由于时间序列模型具有应用范围广、限制要求低、短期预测准确率高等优点，因此时间序列模型已经成为金融预测领域较流行的预测模型之一。
本文选取2016年2月1日至2018年10月16日的上证指数数据，经过反复测试，建立ARIMA（4，1，4）模型，对未来进行短期预测。
结果表明，该模型能够在短期内比较精确地预测未来的上证指数。
居民消费价格指数基于ARIMA模型的构建
居民消费价格指数基于ARIMA模型的构建作者：任桃红赵联文来源：《时代金融》2014年第15期【摘要】居民消费价格指数是我国物价指数体系中极其重要的一个指数，主要反映消费者支付商品和劳务的价格变化情况，也是一种度量通货膨胀水平的工具，以百分比变化为表达形式。
我国改革开放以来，社会经济的各方面发生巨大的变换，居民消费价格指数的变动也显示出自身的特点，本文主要是应用非平稳时间序列和数学统计软件Eviews对历年的居民消费价格指数进行相关分析、处理并建立模型，这有利于我们认识它与社会经济发展相联系的变动规律，文章最后根据所建立的模型举例进行了预测。
【关键词】时间序列非平稳序列乘积季节模型建模一、相关知识时间序列分析是一种动态数据处理的统计方法。
一个时间序列{xt}是长期趋势变动Tt，季节效应St，周期变动Ct和不规则变动因素It共同作用的结果。
确定性时间序列分析方法的原理是用确定性函数对长期趋势变动Tt，季节效应St，周期变动Ct进行拟合，将非平稳时间序列平稳化。
本文我们为了平稳化引入乘积季节模型。
乘积季节模型为：ψ（B）U（BS）（1-B）d（1-BS）DXt=θ（B）V（BS）εtE（εt）=0，Var（εt）=σ2ε，E（εSεK）=0，（s≠k）EXkεt=0，（？坌k其中：U（BS）=1-u1BS-u2B2s-…-uPBPSV（BS）=1-v1BS-v2B2s-…-uQBQS可以对不同周期的同一周期点之间的相关性进行拟合：ψ（B）=1-ψ1B-ψ2B2-…-ψPBPθ（B）=1-θ1B-θ2B2-…-θqBq用来消除同一周期不同周期点之间的相关性。
季节模型简记为ARIMA（p，d，q）×（P，D，Q）S其中p和q是消除同一周期不同周期点之间相关性的自回归阶数和移动平均阶数，P和Q是消除不同周期的同一周期点之间的相关性的自回归阶数和移动平均阶数，s为周期长度，d为差分的阶数，D为季节差分的阶数。
基于ARIMA模型对上证指数的分析与预测
一、引言中国股市自1989年试点建立后，受1995年“327国债期货事件”影响，迎来了大发展。
此后的几年里，国有股成为国家管理的重点对象。
2005年，中国证监会提出了股权分置改革，引发了许多新争议。
随着改革的不断深化，我国资本市场迅速发展。
股票市场作为我国金融体系的重要组成部分，是资金运转和流通的通道，因此政策制定者应该对股票市场的健康良好运转进行重点监控。
而作为反映股市发展的股价，也被越来越多的人关注。
上证指数作为综合反映股市的指标，可以较好地代表股市发展情况。
本文选取的样本为2016年6月13日至2019年5月31日的上证指数收盘价，在此基础上，对其构建ARIMA 模型进行时间序列的预测分析，以期为投资者和企业家在选取股票时提供方向，并为政府制定相关政策提供更好的依据。
二、文献综述杨金刚（2016）建立了ARMA 模型，选取数据为上证指数收盘价月度数据，对未来6个月的上证指数收盘价进行预测，并与实际值进行比较。
结果证明，上证指数收盘价的ARMA （1,9）的预测值与实际值拟合效果较好。
赵力衡（2018）提出开盘价和收盘价反映了股票走势，预测价值较大，但两者意义相似。
陈小玲（2018）采用了ARIMA 模型和BP 神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测，并对比了两模型的预测精度，结果表明，两种预测模型都达到比较理想的预测精度和短期预测可行的效果。
因此，本文认为可以利用ARIMA 模型对上证指数进行短期预测，对投资者和政策制定者有良好的指导作用。
三、实证研究（一）数据采集本文选取了2016年6月13日至2019年5月31日的数据，除去节假日共获得724个样本数据（数据来源：同花顺数据库）。
本文将根据724个样本数据进行实证研究，得出相关结论并为投资者和决策者提供一个判断依据，以及为政府提供政策依据。
（二）时间序列平稳性处理通过Eviews 做出原始数据的序列图，发现序列不平稳，因此对获取的初始数据（上证指数的收盘价格）进行一阶差分。
基于ARIMA模型对上证指数月度时间序列的分析和预测
则 称 该 时 间序 列 （ Ｐ， ｑ）阶 的 自 回 归 移 动 平 均 模 型 ， 记 为 ＡＲＭＡ （ Ｐ， ｑ） ． 金 融 时 间 序 列
中大 多 数 都 不 平 稳 ， 我 们 通 过 一 次 或 者 多 次 差 分 的方 法 将 其 转 变 为 平 稳 时 间 序 列 ． 如 果
０ 引言
股 票 价 格 是 国 民经 济 运 行 的 “ 晴 雨 表 ”， 它 的 形 成 和 波 动 受 到 国 内 外 各 种 政 治 经 济 的
影 响 ， 为 了更 好 的研 究 股 票 市 场 的运 行 ， 我 们 可 以借 助 于 研 究 股 票 指 数 ， 股 票 指 数 是 描 述 股 票 市 场 总 的价 格 水 平 变 化 的指 标 ， 上 证 指 数 由 上 海 证 券 交 易 所 利 用 自 己 的 业 务 知 识 和 熟 悉 市 场 的优 势 编 制 而 成 ， 并 且 公 开发 布 ， 具 有 一 定 的权 威 性 ． 投 资 者 据 此 就 可 以 检 验 自
［ 收稿 日期 ］ ２ ０ １ ５一 Ｏ ｌ —ｌ ２ ［ 基金项 目］ 国家 自然科学基金项 目（ 项 目编号 ： ｌ １ Ｙ Ｊ Ａ ７ ９ Ｏ １ ６ ２ ） ． ［ 作者简 介］ 崔远远 （ １ ９ ９ １ 一） ， 女， 安徽阜阳人 ， 安徽财经大学金融学院 ２ ０ １ ３ 级硕士研究生在读 ， 主要从 事金融工程方 向的研 究．文忠桥（ １ ９ ６ ４一 ） ， 男， 湖南祁 阳人 ， 安徽财经大学金融学院教 授 ， 经济学博 士． 主要从事金融 工程 、 衍 生金融 工具 、 固定收益证券的研究．
２ ０ １ ５年 ４月
枣 庄 学 院 学 报
Ｊ ＯＵＲ ＮＡ Ｌ ＯＦ Ｚ ＡＯ Ｚ ＨＵＡ ＮＧ ＵＮ Ｉ ＶＥ Ｒ Ｓ Ｉ ｒ Ｉ ｌ Ｙ
基于ARIMA模型对上证指数月度时间序列的分析和预测
基于ARIMA模型对上证指数月度时间序列的分析和预测崔远远;文忠桥【摘要】股票价格指数的影响因素错综复杂,现阶段影响我国股票价格的主要领域是银行储蓄、债券市场、期货市场、房地产,汇率等,从目前金融学发展的趋势和广大投资者对股票市场众多金融工具迫切的需求来看,通过建立恰当的时间序列模型可以达到对股票价格整体走势进行大致的预测的目的.本文选取了从2011年12月我国加入WTO至2014年7月以来的上证综合指数的月度数据,通过建立ARIMA 模型采用一步向前静态预测的方法对我国股市2014年8月的上证综合指数进行了预测,发现我国2014年前两个季度以来整体股市呈现上升的趋势.本文的创新之处在于对样本数据取了对数,从而消除了时间序列中的自相关和异方差,同时使得预测值接近实际值,效果良好,希望对广大股民提供借鉴参考.【期刊名称】《枣庄学院学报》【年(卷),期】2015(032)002【总页数】5页(P102-106)【关键词】ARIMA(自回归单整移动平均模型);上证综合指数;一步向前静态预测;B-J方法论【作者】崔远远;文忠桥【作者单位】安徽财经大学金融学院,安徽蚌埠233000;安徽财经大学金融学院,安徽蚌埠233000【正文语种】中文【中图分类】F832.5股票价格是国民经济运行的“晴雨表”，它的形成和波动受到国内外各种政治经济的影响，为了更好的研究股票市场的运行，我们可以借助于研究股票指数，股票指数是描述股票市场总的价格水平变化的指标，上证指数由上海证券交易所利用自己的业务知识和熟悉市场的优势编制而成，并且公开发布，具有一定的权威性.投资者据此就可以检验自己投资的效果，并用以预测股票市场的动向.同时，新闻界、公司老板乃至政界领导人等也以此为参考指标，来观察、预测社会政治、经济发展形势.由于股票价格变幻莫测，运用传统时间序列难以进行描述而且耗时耗力［1］.因此我们可以采用ARIMA模型，它是一种精度较高的时序短期预测方法，通过该模型对上证综合指数进行研究，能够更本质的认识其结构与特征，以达到方差最小意义下的最优预测［2］.1.1 ARIMA模型的理论内涵所谓ARIMA模型，是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型.如果时间序列(1)则称该时间序列(p，q)阶的自回归移动平均模型，记为ARMA(p，q).金融时间序列中大多数都不平稳，我们通过一次或者多次差分的方法将其转变为平稳时间序列.如果序列{}经过d次差分后得到平稳时间序列，并运用了ARMA(p，q)过程对建立模型，则称为(p，d，q)阶自回归单整移动平均过程，简称ARIMA.1.2 运用B-J方法论对ARIMA进行建模步骤1.2.1 模型识别首先对模型进行平稳性检验，若不平稳则对其进行差分，差分n次则d=n，然后再根据观察已经平稳的序列的自相关图和偏自相关图并分析其拖尾及截尾情况，确定自回归阶数p和移动平均阶数q.1.2.2 模型估计当上述合适的d，p，q已经得到确认后，接下来运用OLS法或者极大似然估计法来进一步估计和移动平均系数.1.2.3 模型检验模型估计后应该对模型的适合性进行检验.为了判断残差序列是否随机，可以采用检验.若通过检验，则认可所估计的模型，否则则需要从第一步重新开始.同时为了更好地拟合数据则是在模型中增加滞后项，然后根据AIC和SC原则进行判断.本文以上证综合指数的月度收盘价格作为研究对象，选取了从2001年12月11日我国加入WTO至2014年7月14日的月度收盘价格(剔除了不交易的日期)共计152个数据，满足了股价指数研究大样本的需求，运用ARIMA模型建模，数据来源于大智慧网站下载后输入EVIEWS6.0实现建模分析［3］.2.1 识别时间序列数据的平稳性为了消除或者减少时间序列中存在的自相关和异方差的情况，同时不影响模型分析结果，对所有的数据取对数.设2001年12月为第一个月度收盘价，2002年1月为第二个月度收盘价，依次类推，将上证指数第t个月度收盘价记为，图1为取对数后自2001年12月以来的月度数据趋势图.从图1可以粗略的看出，该时间序列明显不符合零均值同方差的假定，于是对其进行ADF检验.由图2可知，检验t统计量是-2.3389，大于显著性水平为10%的临界值，所以序列存在单位根，是非平稳的，于是对其进行一阶差分.将一阶差分后的序列定为，由图3可以看出因而确定d=1.2.2 根据一阶差分后平稳时间序列定阶B-J方法论认为可根据时间序列模型自相关函数和偏自相关函数图进行识别，建立相应的ARMA模型，若某序列的自相关函数(AC)和偏自相关函数(PAC)都是拖尾的，则可以把该序列设为ARMA(p，q)过程［4］.下面我们来观测序列的自相关和偏自相关图:从图2我们可以清楚地看到自相关函数和偏自相关函数都是拖尾的，它们都从第二阶和第四阶开始大幅度下降.故可以设p=q=2或者p=q=4.经过比较可知，ARIMA (2，1，2)模型中的AR(1)项的系数估计值对应的概率0.1788在10%的显著性水平下无法通过检验，故舍去.而ARIMA(4，1，4)模型的参数在在1%的水平下完全显著，这恰好符合ARMA(p，q)过程的平稳条件.同时ARIMA(4，1，4)中的AIC=-2.2032＜ARIMA (2，1，2)中的AIC=-2.1526，从而也符合ARIMA信息准则.综上可知，该模型最终设定为ARIMA(4，1，4).2.3 残差的检验接下来对该ARIMA(4，1，4)模型的残差序列进行白噪声检验，检验的检验标准包括Q统计量和检验对应的概率.检验结果如图3.从图3可以看出自相关(AC)系数的绝对值几乎都小于0.1，在零假设下，Q统计量服从分布，其中m是最大滞后期，因为样本容量n=152，可以令m=√152≈12，此时QStat=12.956，当p=q=4时，在显著性水平=0.1时，查分布表可知，(12-4-4)== 13.277＞Q-Stat=12.956，则不能拒绝残差序列相互独立的原假设，检验通过，接受原假设，即残差序列是纯随机的白噪声过程.2.4 模型的拟合和预测本模型的预测就是根据时间序列历史数据，建立ARIMA模型对未来一段时间的数据进行预测，现在ARIMA建模方法之所以在各个领域得到广泛应用，很大程度是其在预测方面的成功，尤其是短期预测方面.本文采用一步向前静态预测，即每预测一次，用真实值代替实际值，加入到估计区间，再进行向前一步预测.由于本文使用的是月度数据截止到2014年7月，采用一步向前静态预测只能预测一期的值即8月的收盘价.由于本模型中对样本数据取了对数，为了更好的观察真实值和预测值的差距，通过科学计算器我们求出其原值:由表3可知，该模型拟合的绝对误差和绝对百分比误差较小，因此该模型的拟合结果较好，可以用来预测，且对8月份的预测较为准确，误差较小.3.1 模型的分析从上述的拟合和预测可以得出，ARIMA模型采用静态一步向前的方法可以较好的进行短期预测.从所建立的模型可以看出，上证指数在2014年4月至2014年8月以来虽然有涨有跌，但是总体呈现逐渐上升的趋势［6］.这可能得益于以下几个方面的原因:首先，我国经济基本面依然较好.从消费方面看，对文化、教育、医疗、养老和旅游等服务类需求增长迅猛，网上购物等新兴业态的发展则有力地促进消费潜能的释放.从投资看，我国在城市轨道交通、环境治理、城市排水和农村基础设施等方面存在着极为迫切的需求.其次，外部环境趋于改善，今年以来，全球经济复苏在波动中逐步加强，美国经济的好转将对其他发达国家乃至全球经济产生较大带动作用，随着欧盟各个国家间加强交流合作，欧洲主权债务危机的不良影响正在逐步消除.再次，市场预期转好.今年以来，我国通胀压力持续缓解，价格总水平(CPI)处于调控目标3.5%以内，目前企业家信心普遍回升，投资意愿上升，采购活动加快.3.2 模型的展望尽管ARIMA模型在非平稳时间序列的预测方面有很好的表现，但是该模型仅仅在短期预测方面有一定的可行性，而对长期趋势就会表现出很大的局限性，预测的偏差较大，结果失真.并且该模型只是考虑了时间序列本身的特性，而忽视了其他更为复杂的外部因素的影响，所以难以对变化多端的股票市场的长期趋势进行精确地刻画.总体来说，该模型还是可以对大盘指数实现短期预测，进而为广大投资者提供投资决策的依据.【相关文献】［1］吴小强，吕文龙.股票价格指数的趋势预测——基于上证指数数据的时间序列分析［J］.金融经济:下半月，2012 (10):80-82.［2］旷芸，梁宗经.基于ARIMA模型的标准普尔S＆P500指数预测分析［J］.现代商贸工业，2012，24(14):100-102.［3］刘云.ARIMA对我国上证指数的预测研究［J］.现代商贸工业，2012，24(16):97-98. ［4］严敏，胡志明.基于ARIMA模型对上证指数的实证分析［J］.经营管理者，2013，21:076. ［5］徐珍，李星野.小波ARMA模型和ARIMA模型对上证指数的预测效果探究［J］.现代商业，2012(30):32-33.。
ARIMA模型在我国居民消费价格指数的实证分析
ARIMA模型在我国居民消费价格指数的实证分析作者：方羽来源：《行政事业资产与财务》2020年第10期摘要：本文关注我国居民消费价格指数，结合我国1985-2018年数据对居民消费价格指数进行ARIMA模型的拟合并预测2019年我国居民消费价格指数，并结合实际情况，提出一些意见和建议。
关键词：HP滤波法;ARIMA模型;居民消费价格指数居民消费价格指数（CPI），是一个反映居民购买一般消费品和服务的价格水平变动情况，属于一种宏观经济指标。
且其变动率在一定程度上反映了我国经济发展的通货膨胀或紧缩程度，是关系国计民生的一项重要指标。
关注居民消费价格指数，关注其变动发展情况是反映我国物价水平的重要方面。
一、我国居民消费指数基本情况自1985年以来，我国居民消费价格指数（上一年=100）不断变动，但整体基本维持在100以上，及较上一年有所增长，34年来平均居民消费价格指数为105.27。
在2000年以前，我国居民消费指数变动很明显，1985€？994年呈现先增长后下降再急速增长的态势，且于1994年达到近34年来的峰值124.1。
1995€？998年持续下降，且将至近34年的最小值，仅98.6。
2000年以后的居民消費指数变动明显不如2000年以前大，但仍有起伏波动。
2012年以后居民消费指数趋于稳定但仍有小幅变动。
二、HP滤波法（1）数据来源。
本文数据源自《中国统计年鉴》（2000€？019年）选择1985€？018年的居民消费指数数据（上一年=100），共计34个数据，其中1985€？016年用于拟合模型，2017和2018年数据用于模型检验。
（2）HP滤波法实证分析。
利用HP滤波法，可将居民消费指数数据可以看作由趋势成分和波动成分两者组成的，通过设定一个损失函数，并结合事先给定的取值，使损失函数最小化，将居民消费指数数据分解为趋势成分和波动成分，前者代表CPI指数的长期变动，后者代表CPI指数的短期波动。
基于ARIMA模型的我国社会消费品零售总额实证分析
闭 ，失 业 人 数 增 加 ， 投 资 锐 减 。 在 出 口形 势 日
益 严 峻 的 经 济 环 境 下 ，为 保 证 经 济 实 现 增 长 ８％
品 金 额 ；对 社 会 集 团 的 消 费 品 零 售 额 是 指 售 给
对 我 国近 年 来 社 会 消 费 品零 售 总 额 持 续 增 长 情
况进 行 了 实 证 分 析 。
一
工 作 会 议 提 出 了 我 国 ２０ ０６年 经 济 工 作 的 八 项 主 要 任 务 ，其 中 “ 大 消 费 需 求 ” 列 各 项 任 务 之 扩
首 。 消 费 是 社 会 再 生 产 的 终 点 和 新 的 起 点 ，消 费 需 求 是 最 终 需 求 。 ２０ ０ ８年 下 半 年 开 始 ，美 国
社 会 消 费 品 零 售 总 额 是 指 批 发 和 零 售 业 、餐 饮
社 会 消 费 品零 售 总 额 由社 会 商 品供 给 和 有 支
付 能 力 的 商 品 需 求 的 规 模 所 决 定 ，是 研 究 居 民
生 活 水 的 目标 ，扩 大 内 需 尤 其 是 扩 大 居 民 消 费 成 为 应 对 危 机 的 重 要 举 措 。 在 市 场 经 济 条 件 下 ，扩 大
消 费 的 前 提 是 了解 消 费 的波 动 规 律 和 影 响 因 素 。 因 此 ，对 社 会 消 费 品 零 售 总 额 相 关 内 容 进 行 分 析 ，对 于 中 国经 济 良性 发 展 具 有 重 要 的 意 义 。
２ １年 １ ０１ １月
经 济 论 坛
Ｅｃ ｎ ｍｉ Ｆ ｒ ｍ ｏｏ ｃ ｏｕ
基于ARIMA模型对我国CPI指数的分析预测
流通经济基于ARIMA模型对我国CPI指数的分析预测中央民族大学经济学院 孙晓丹摘 要：通货膨胀代表一国物价总水平的持续上升，严重时可能会造成社会供需失衡，导致货币信任危机，因此有必要对通货膨胀水平进行衡量和预测。
CPI指数是衡量通货膨胀水平的重要指标，本文通过选取2000年1月至2021年1月共253个月份的CPI数据，构建ARIMA(13，0，0)模型对CPI指数进行分析和预测，以得出2021年我国的通货膨胀情况。
研究结果表明，CPI指数具有较长的滞后阶项，并且在经济形势逐渐好转之后，国内通货膨胀水平将会呈现出稳定增长态势。
关键词：ARIMA模型；通货膨胀率；CPI指数本文索引：孙晓丹.基于ARIMA模型对我国CPI指数的分析预测[J].商展经济，2021(15)：015-017.中图分类号：F202 文献标识码：ADOI：10.12245/j.issn.2096-6776.2021.15.052020年世界经济遭遇了严峻的挑战，物价水平也出现了大幅下跌的情形。
如今，经济活动在持续衰退之后重新走向扩张，大宗商品价格持续上涨，通货膨胀现象再次浮现，给全球经济的复苏蒙上了一层阴影。
通货膨胀是指由于物价全面持续的上涨而造成一国货币的贬值，造成这一现象的直接原因通常是一国发行的实际货币量超过了其需要货币量。
消费者物价指数(CPI)是衡量通货膨胀情况的重要指标之一，如果一段时间内CPI指数持续、全面地上涨，则表明发生了通货膨胀。
国内学术界对通货膨胀的预测方面有着丰富的研究成果。
陈伟、牛霖琳(2013)运用贝叶斯模型平均方法对样本外通胀进行预测，并证明了货币量的增加会直接导致通胀增加。
田新(2015)利用ARIMA(3，1，(1，2，3，7))对2014-2015年的CPI指数进行了预测，结论表明，我国通货膨胀有较长的滞后期，其预测过程不受其他因素的干扰。
霍忻、刘黎明(2017)选取1985-2015的通货膨胀数据，利用ARIMA(3，2，2)模型对我国“十三五”时期通货膨胀的趋势进行了预测，结果表明，我国通胀率将继续保持平稳增长的态势。
基于ARIMA模型的上海居民消费价格指数分析及预测
基于ARIMA模型的上海居民消费价格指数分析及预测作者：宋颖超来源：《时代金融》2017年第15期【摘要】大多数的经济时间序列存在惯性，通过这种惯性可以对时间序列的历史数值进行分析建模，从而对未来值进行预测。
本文对1991～2015年上海居民消费价格指数的时间序列进行数据分析，利用Eviews9软件对1991～2013年上海居民消费价格指数实际的数据建立ARIMA（1，2，2）模型。
用该模型对2014年和2015年的上海居民消费价格指数进行预测并与实际值进行对比，结果显示该模型预测的精准度较高。
后对2016年上海居民消费价格指数进行预测，以达到合理预期和分析目的。
【关键词】居民消费价格指数 Eviews ARIMA模型一、居民消费价格指数居民消费价格指数简称CPI（consumer？price？index），是一个反映居民家庭一般所购买的消费商品和服务价格水平变动情况的宏观经济指标，也是宏观经济分析与决策以及国民经济核算的重要指标。
一般来说，CPI的高低直接影响着国家的宏观经济调控措施的出台与力度，如央行是否调息、是否调整存款准备金率等。
同时，CPI的高低也间接影响资本市场的变化。
通过研究居民消费价格指数，可以了解各地区价格变动的基本情况，分析研究价格变动对社会经济和居民生活的影响，能满足各级政府制定政策和计划、进行宏观调控的需要，以及为国民经济核算提供参考和依据。
CPI稳定、就业充分及GDP增长往往是最重要的社会经济目标，市场的经济活动会根据CPI的变化来调整。
二、上海居民消费价格指数的ARIMA模型分析ARIMA（p，d，q）模型是博克斯-詹金斯针对非平稳时间序列提出的模型。
通过研究发现上海居民消费价格指数是非平稳的时间序列，故本文选取ARIMA（p，d，q）模型进行CPI 的研究和预测。
（一）数据收集及ADF检验选取1991年～2015年上海居民消费价格指数作为样本数据（来源于上海统计局《统计年鉴》以1990年为100），运用软件Eviews9对上海居民消费价格指数进行分析处理及预测。