人民币汇率的ARIMA模型
基于时间序列GARCH模型的人民币汇率预测
基于时间序列GARCH模型的人民币汇率预测一、本文概述1、简述人民币汇率的重要性及其在全球经济中的地位人民币汇率在全球经济中具有举足轻重的地位，其不仅影响着中国经济的内外部平衡，也对全球经济格局产生深远影响。
人民币汇率的变动直接关系到中国的进出口贸易、资本流动以及外汇储备等多个方面，从而影响着中国经济的稳定与发展。
人民币汇率的变动对中国进出口贸易具有直接的影响。
汇率的贬值有助于提高中国出口商品的国际竞争力，促进出口增长；而汇率的升值则会降低出口商品的竞争力，对出口产生一定的抑制作用。
汇率的变动也会影响中国进口商品的成本，进而影响国内物价水平和消费者的购买力。
人民币汇率的变动对中国资本流动产生重要影响。
汇率的波动会影响国内外投资者对中国资产的估值和风险偏好，从而影响资本流入和流出的规模和方向。
稳定的汇率有助于吸引外资流入，促进中国经济的国际化进程；而汇率的过度波动则可能导致资本外流，对中国经济造成不利影响。
人民币汇率的稳定对于维护中国外汇储备的价值和安全也具有重要意义。
作为世界上最大的外汇储备国之一，中国需要保持汇率的相对稳定，以避免外汇储备价值的缩水。
同时，稳定的汇率也有助于增强国际社会对人民币的信心和认可度，推动人民币的国际化进程。
在全球经济中，人民币汇率的地位同样不可忽视。
作为世界第二大经济体和最大的贸易国之一，中国的人民币汇率变动对全球经济格局产生着重要影响。
人民币汇率的稳定与否直接关系到全球经济的稳定与发展，特别是在当前全球经济复苏乏力、贸易保护主义抬头的大背景下，人民币汇率的稳定更是显得至关重要。
人民币汇率的重要性及其在全球经济中的地位不容忽视。
为了维护中国经济的稳定与发展，需要密切关注人民币汇率的变动趋势，并采取有效的政策措施进行调控和管理。
也需要加强国际合作与交流，共同推动全球经济的稳定与发展。
2、阐述人民币汇率预测的必要性和意义随着全球化进程的加速和中国经济的持续崛起，人民币汇率作为连接国内外经济的桥梁，其波动与走势不仅关乎国内经济的稳定与发展，也深刻影响着国际经济格局。
基于SSA-ARIMA-HPSO-SVM组合模型的汇率预测
DOI：10.13546/ki.tjyjc.2020.23.029［IF逐纵横｝基于SSA-ARIMA-HPSO-SVM组合模型的汇率预测王相宁，杨杰(中国科学技术大学管理学院，合肥230026)摘要：文章首先通过奇异谱分析SSA方法对汇率序列去噪，并通过ARIMA模型，对重构后的汇率序列拟合以提取出原序列的线性部分，再使残差值通过基于杂交的混合粒子群算法优化的支持向量机进行建模并预测，两部分结果相加即为原汇率序列的预测值。
结果表明：人民币汇率波动存在着周期振荡的特征，在汇率序列的样本外1—5日预测上，基于SSA方法的组合模型预测性能相对单一模型以及未釆取SSA方法的组合模型均更优。
关键词:汇率预测；奇异谱分析;粒子群算法；支持向量机中图分类号:F224.9文献标识码:A文章编号:1002-6487(2020)23-0134-040引言在研究汇率预测的方法时，相比神经网络模型易陷于局部最优、基于经验风险最小化进行优化等缺点,支持向量机SVM表现出了更优的性能。
同时，在处理线性数据时,诸如ANN等非线性模型其效果常常不如传统线性方法ARIMA模型。
无论单一的线性或非线性模型,都很难深入挖掘汇率包含线性和非线性双重成分的混合行为特征。
部分学者通过将ARIMA模型和其他非线性模型结合起来进行组合预测,展示出较好的效果。
时间序列的组合模型预测主要有三种方法:权重法z、分解法和残差法…叫本文将对残差法进行改进。
考虑到汇率波动机制复杂，同时兼具噪声影响，直接用ARI-MA模型对序列拟合，会影响其定阶,进而影响整体的预测效果。
鉴于此，本文考虑通过奇异谱分析(SSA)方法先对汇率序列分解去噪得到主成分信号，重构后再通过ARI-MA模型进行拟合，然后将残差序列通过SVM建模。
对于SVM模型的参数寻优,考虑到网格搜索算法大范围穷举遍历较费时的缺点，采取基于杂交的混合粒子群优化算法(HPSO)o1研究方法1.1支持向量机(SVM)支持向量机(Support Vector Machine,SVM)的基础模型作为定义在特征空间上间隔最大的线性分类器，在引入核技巧后，也变成了非线性分类器。
基于综合集成学习的人民币汇率预测研究
基于综合集成学习的人民币汇率预测研究基于综合集成学习的人民币汇率预测研究人民币汇率是国际金融领域的一个热门话题，由于其对于经济增长、市场竞争力和国际贸易等方面的重要影响，准确预测人民币汇率对于个人和企业在国际金融市场中的决策具有重大意义。
传统的人民币汇率预测方法往往利用统计模型，但由于外汇市场的高度复杂性和随机性，单一模型往往难以准确预测。
为了解决这个问题，综合集成学习成为了一种备受关注的方法。
综合集成学习是通过结合多个不同的预测模型，将它们的优点进行整合，得到更准确的预测结果。
在人民币汇率预测中，可以采用多种模型作为基础预测器，比如时间序列模型、机器学习模型等。
首先，我们可以利用时间序列模型对人民币汇率进行建模预测。
时间序列模型可以通过历史数据进行分析，找出规律和趋势，并进一步预测未来的汇率走势。
常见的时间序列模型包括ARIMA模型、ARCH模型等。
这些模型可以捕捉到数据的周期性和序列依赖关系，从而提高汇率预测的准确性。
其次，我们可以应用机器学习模型来进行人民币汇率预测。
机器学习模型通过学习历史数据的模式和规律，进而预测未来的汇率变动。
常见的机器学习模型包括支持向量机（SVM）、随机森林（Random Forest）、神经网络等。
这些模型可以通过大量的训练数据进行学习，提取特征和模式，从而进行准确的汇率预测。
除了以上两种模型外，我们还可以尝试其他预测方法，如经验模态分解（EMD）方法和深度学习方法等。
经验模态分解方法是一种基于信号分解的方法，通过将时间序列数据分解为多个固有模态函数（IMF）和趋势函数，从而提取数据的局部和整体变动特征，进而进行预测。
深度学习方法是一种基于神经网络的模型，通过多层的神经网络结构，可以更好地学习非线性的关系和特征，并进行准确预测。
在综合集成学习中，我们可以将以上多种模型进行结合，从而得到更为准确的人民币汇率预测结果。
常见的集成学习方法包括Bagging、Boosting和Stacking等。
基于ARIMA模型对我国广义货币供应量的分析
基于ARIMA模型对我国广义货币供应量的分析作者：谈星来源：《商场现代化》2020年第11期摘要：货币自诞生以来就吸引着人们的目光，经过历代更迭，现代意义上的货币已经具有强大的派生能力。
广义货币供给量（M2）是关于货币重要的衡量指标之一，也是国家制定相关政策时不可缺少的参考数据。
本文综合运用金融时间序列分析的相关知识，截取2000年1月至2019年10月我国广义货币供应量（M2）的月度数据，应用R软件分析并调整序列使其平稳后构建以ARIMA为基础的相关序列模型，经过残差检验、样本内和样本外比较选择拟合度最高的SARIMA（2，1，1）×（0，1，1）模型对我国广义货币供给量进行有效预测和研究。
关键词：广义货币供给量;ARIMA模型;多重季节模型;R语言一、前言货币供应量是指一国在某一时点上为社会经济运转服务的货币存量。
随着各国宏观经济的多元化发展趋势日益显著，世界各国的中央银行对于货币供应量的衡量指标并没有统一标准。
本文是按照我国货币供给划分体系进行讨论，选取广义货币供应量（M2）包括流通中的现金量、活期存款、定期存款和储蓄存款。
随着我国经济发展不断深入，政府与市场发展的联系越来越紧密，而货币供应量在其中的影响至关重要。
所以对货币供给的研究一直是宏观经济学领域的热点问题，其中广义货币供给量（M2）作为我国货币政策的中介目标在国家实行的宏观调控中的作用不可小觑。
广义货币供给量不仅影响货币政策的实施效果，同时也是国家制定其他相关政策的重要参考依据。
改革开放以来，为刺激经济发展，我国广义货币供给（M2）的数量呈现明显的上升趋势。
货币供应量及其对市场流通的影响在很大程度上都受到货币政策的约束，同时又对我国的需求和供给能否在一定的条件下实现均衡产生重要的影响。
通过增加货币供给，短期的确能够刺激需求，促进经济增长，但长期来看也会使物价上涨，进而导致通货膨胀，经济疲软下行。
所以，货币政策的关键在于如何把握适度的货币供给量。
ARIMA模型在我国对外贸易中的应用
ARIMA模型在我国对外贸易中的应用ARIMA 模型在我国对外贸易中的应用摘要：新中国已成立 58 年，在这 58 年中中国发生了翻天覆地的变化。
随着改革开放的实施，中国逐步打开国门，与世界接轨，逐步发展成为国际化大国。
全国进出口贸易总额在很大程度上可以反映这一情况，本文选取该指标来研究中国近年来国际贸易情况，并预测未来国际贸易趋势。
尤其是自 1994 年中国实行盯住美元的汇率制度以来，中国的贸易差额开始了持续的正盈余。
2001 年中国加入 WTO 后，对外贸易额大幅度增加，中国在国际舞台中的地位日益提升。
近年来，美国、欧盟、中国香港在中国对外出口中的份额有所增加，而出口到日本的份额下降。
美国、欧盟、日本等主要经济体的经济发展态势对于中国的外贸出口影响大。
与此同时，中国外贸依存度也出现了巨大的变化。
1985～ 2005 年，中国对外贸易年均增长比国民经济增长快 9 个百分点，外贸依存度从 1985 年的 21.4% 提高到 2005 年的80.2% 。
特别是在加入 WTO 后，外贸依存度与出口依存度出现了直线上升势头。
中国出口拉动战略型战略由此可见。
在出口拉动下，通常会低估本币，反应在汇率上就会表现为汇率持续的上升。
本文首先介绍了时间序列模型的基本概念，然后在实证中，本文所用数据为 1950 年－2005 年全国进出口贸易总额，数据来源于《新中国 50 年统计年鉴》第 60 页。
该表 1979年以前为外贸业务统计数，从 1980 年起为海关进出口统计数，单位为亿元人民币。
关键词：时间序列； ARMA 模型； ARIMA 模型；对外贸易一、时间序列模型的基本概念( 一) 时间序列模型的介绍随机时间序列模型( time series modeling )是指仅用它的过去值及随机扰动项所建立起来的模型，其一般形式为Xt=F(Xt-1 ，Xt-2 ，⋯，t)1.纯AR(p) 过程Xt= 1Xt-1+ 2Xt-2 + ⋯+ pXt-p + t (*) 如果随机扰动项是一个白噪声( t= t)，则称(*)式为一纯AR(p)过程( pure AR(p) process )，记为：Xt= 1Xt-1+ 2Xt-2 + ⋯+ pXt-p + t2.纯MA(q 过程如果随机扰动项不是一个白噪声，通常认为它是一个q 阶的移动平均moving average)过程MA(q) ：t= t - 1 t-1 - 2 t-2 - - q t-q 该式给出了一个纯MA(q) 过程( pure MA(p) process )。
arima模型在金融领域的应用
arima模型在金融领域的应用
1. 预测股票价格：金融分析人员可以利用arima模型来预测未来股票价格，以
便进行投资决策；
2. 预测货币价格：arima模型可用于预测货币价格的波动，从而帮助外汇交易
者做出正确的投资决定；
3. 预测外汇汇率：arima模型可以帮助预测外汇汇率，从而帮助外汇交易者作
出正确的投资决策。
4. 预测证券市场指数：金融分析人员可利用arima模型来预测未来市场指数等
重要财经指标，以便进行投资决策。
基于ARMA模型的人民币对美元汇率的实证分析
基于ARMA模型的人民币对美元汇率的实证分析
杨梦昕;高志
【期刊名称】《高师理科学刊》
【年(卷),期】2018(038)004
【摘要】针对人民币对美元汇率问题,以2015-01-05—2017-12-20这段时间内的人民币对美元汇率为样本数据,建立了合理的ARIMA模型.结合自相关、偏相关系数图以及单位根检验判断原序列是非平稳时间序列,一阶差分后的序列是平稳时间序列.结合SIC等指标选择出最优的ARIMA(1,1,2)模型.运用该模型进行汇率预测,为企业和投资者的决策提供了可靠的依据.
【总页数】5页(P17-21)
【作者】杨梦昕;高志
【作者单位】安徽财经大学金融学院,安徽蚌埠 233030;安徽财经大学金融学院,安徽蚌埠 233030
【正文语种】中文
【中图分类】F831
【相关文献】
1.基于GARCH模型的人民币对美元汇率波动的实证分析 [J], 李小瑜
2.ST类股票收益率波动性的实证分析——基于ARMA-GARCH模型族 [J], 戴雯
3.基于ARMA-EGARCH模型对我国人寿保险的实证分析 [J], DONG Xiao-yi;SHEN Shi-chang
4.基于ARMA模型预测股票价格的实证分析 [J], 丁玮珂
5.基于经验模态分解和ARMA模型的国际航空油价实证分析——以港湾石油航空燃油价格数据为例 [J], 高伦;张心成
因版权原因，仅展示原文概要，查看原文内容请购买。
一种基于ARIMASVR混合方法的汇率预测模型
智库时代·22·财经智库一种基于ARIMA-SVR 混合方法的汇率预测模型徐 超（武汉大学经济与管理学院，湖北武汉 430072）摘要：本文采用了一种基于ARIMA 和SVR 的混合方法对四种货币对美元的汇率进行了预测。
本文的主要思路在于将汇率序列分解为线性和非线性两个部分，利用ARIMA 模型去估计汇率的线性部分，使用SVR 方法去预测汇率的非线性部分。
实证结果表明混合模型的预测精度高于ARIMA 模型、SVR 方法以及随机游走模型。
关键词：汇率预测；ARIMA 模型；SVR 模型中图分类号：TU205文献标识码：A 文章编号：2096-4609（2019）01-0022-002一、引言汇率作为维系各国之间经贸往来的桥梁和纽带，在国际经济研究中一直享有极高的关注度。
汇率不单纯是两国货币间的折算比例，亦是各国政治经济博弈中的常用手段。
随着我国经济社会的发展以及全球化进程不断的深入，特别是人民币加入特别提款权后，外汇风险成为了一个不可回避的问题。
因此，有效分析和预测人民币汇率对各类经济政策制定和投资决策的实施具有重要的意义。
二、文献综述刘柏等（2008）认为汇率是市场博弈和出清的结果，时间序列的分析方法不受限制于汇率制度，因此汇率自身变化传递的信息对于汇率预测具有显著价值。
熊志斌（2011）利用ARIMA-NN 混合模型对人民币汇率进行预测，结果表明混合模型的预测精度高于随机游走模型和ARIMA、NN 单一模型。
Anastasakis and Mort（2009）建立了两阶段预测模型：第一阶段采用参数化方法，例如ARIMA、VAR 以及协整技术；第二阶段采用非参数方法，例如SVR 和ANN。
实证表明：SVR 对于非参数部分的预测效果要优于ANN。
三、模型设定鉴于时间序列数据一般具有线性和非线性的复合特点，单一线性或者非线性模型都无法有效地反映这种复合特征。
本文将ARIMA 和SVR 这两类模型结合，以求更高的汇率预测精度。
基于ARIMA模型的汇率预测
《高级数量分析方法》课程作业基于MATLAB软件与ARIMA模型的预测——以人民币对美元的即期汇率为例院系：管理学院会计系指导老师：孟力教授小组成员：张嘉珉 17520121151118卢梦杉 17520121151097周姣 17520121151123目录1研究背景 (1)1.1人民币对美元的国际化进程 (1)1.2人民币对美元现状分析 (1)2ARMA模型与ARIMA介绍 (2)2.1AR(p)模型 (3)2.2MA(q)模型 (3)2.3ARMA(p,q)模型 (4)2.4ARIMA(p,d,q)模型 (4)3自相关系数和偏自相关系数 (4)3.1 p阶自回归AR(p) (4)3.2平稳时间序列自协方差与自相关系数 (4)3.3偏相关系数 (5)4模型的选择 (5)4.1自回归AR(p)模型 (5)4.2移动平均MA(q)模型 (5)4.3自回归移动平均ARMA(p,q)模型 (5)4.4ARIMA(p,d,q)模型 (6)4.5模型的选择 (6)5数据来源及选择 (6)6模型的建立与预测 (7)6.1数据的预处理 (7)6.2模型的识别 (8)6.3ARIMA模型的建立与检验 (9)6.4模型预测 (13)7模型预测结果与分析 (14)7.1模型预测结果描述 (14)7.2模型预测存在的不足 (15)7.3不足的原因的分析 (15)8结语及展望 (16)【摘要】本文以2012年1月——2012年11月人民币对美元的即期汇率中间价数据为基础，运用ARMA模型进行汇率的拟合，经过多次对程序的调用试运行，发现采用观察偏自相关系数与自相关系数的方法定出阶数建立的模型，与实际拟合效果不理想。
最终我们决定根据AIC准则，选择使得AIC值最小的模型阶数进一步操作，得出的ARIMA(2,1，2)模型能更好地模拟人民币汇价的走势。
文中运用此模型进行预测, 结果具有精度高、稳定性好等特点。
通过对未来汇率的预测，为有效制定外汇投资或外汇避险等相关决策提供建议。
人民币汇率适应性建模与预测
中国人民银行宣布进一步完善人民币汇率市场化形成机制，加大市场决定汇率的力度，建 立健全以市场供求为基础的汇率制度。
人民币汇率市场影响因素
经济基本面
国内经济发展状况、国际收支平衡 情况、通货膨胀等经济因素对人民 币汇率产生重要影响。
政策因素
货币政策、财政政策、汇率政策等 都会对人民币汇率产生影响。
国际贸易环境
国际贸易状况、国际金融市场动荡 、地缘政治风险等都会对人民币汇 率产生影响。
市场情绪
投资者对市场的预期和信心也会影 响人民币汇率的波动。
人民币汇率市场波动特征
波动性
不确定性
人民币汇率波动受多种因素影响，包括经济 基本面、政策因素、国际贸易环境以及市场 情绪等。
由于市场因素的复杂性和不确定性，人民币 汇率的波动也具有不确定性。
人民币汇率预测准确性分析
对比了多种预测方法，发现基于神经网络的预测方法具有较高的准确性。同时，结合了多种特征和数据来源，包括经济指 标、政策变动、市场情绪等，提高了预测的准确性。
人民币汇率波动影响因素分析
分析了人民币汇率波动的主要影响因素，包括国内经济指标、国际经济环境、政策因素等。此外，还探讨了市场情绪对汇 率的影响，发现市场情绪对汇率波动具有较大的影响。
适应性建模的主要方法
包括自回归积分滑动平均模型（ARIMA）、自适应滤波器、递归神经网络（RNN）、长短期记忆网络（ LSTM）等。这些方法能够捕捉到数据中的时间依赖性和非线性关系，从而更好地预测汇率的走势。
基于时间序列的人民币汇率适应性模型
时间序列模型的选择
对于人民币汇率数据的分析，可以选择ARIMA、指数平 滑法等时间序列模型。这些模型能够捕捉到数据中的时 间依赖性和季节性变化规律。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
3.1 正确认识通识教育 虽然通识教育的内涵是不断变化与发展的，但其核心始终是与社
会发展相吻合的， 并能在很大程度上反映出特定时代所具有的特征。 人文教育只是通识教育的一个方面；专业教育与通识教育是点和面的 关系，是统一的，而非对立的。 在理解通识教育的内涵时，一定要正确 的认识通识教育与其他教育模式的关系。 3.2 加强对通识教育的重视
图3
ARIMA（p，d，q）。
1.2 差分算子 5 的阶数 d 的确定
计 算{▽yt}的 自 相 关 函 数 和 偏 相 关 函 数 ，若 其 自 相 关 函 数 迅 速 衰
减到零，则 确 定 d=1；否 则 再 做 差 分 ，直 到 由 某 一 个 整 数 d，使{▽yt}的
自相关函数迅速衰减到零为止。
0 引言
随着现代经济活动国际化和国际经济一体化、国际贸易持续增长 及资金调拨技术的迅速发展，汇率在国际经济中已具有越来越重要的 地位。 由于影响汇率的因素有很多 ，相互关系比较复杂 ，加大了刻画其 变化趋势的难度。 因此从分析汇率的时间序列数据，来寻求其运动的 规律。 从统计学的角度刻画汇率的变化，是一种理想的、经济的选择。 本文对于中国人民银行公布的人民币日汇率进行时间序列分析，建立 累积自回归滑动平均 ARIMA 模型，并进行短期汇率预测与分析。
d
d
至求到 d 阶差分变换后的序列▽ yt=（1-B） yt 具有平稳性为止。
通过上述两步，可以将非平稳的时间序列转化为平稳的。 经过 d
d
d
次差分后，{▽ Yt} 是一个平稳的 AIRMA 序列，称 φp （B） ▽ yt =θq （B）
at ，其中 at ～N（0，σa ）为（p，d，q）阶的累积式自回归滑动平均模型，记作
设定科学的目标对通识教育的发展有着至关重要的方向性作用， 所以针对当前我国高校的实施情况，通识教育目标的制定要从培养学 生的基本能力、整体素质及长远的角度来考虑，不能从以特定时间灌 输多少知识的角度来衡量。 并且设定的目标不能太过理想化，要根据 学校与学生的实际能力来制定.所以通识教育目标的设定必须具有明 确指向性和可操作性。 3.4 加强通识课程师资队伍的建设
（3 ） 师 资 力 量 薄 弱 目前，大多数高校通识课程授课教师的现状并不是和适合通识课 程的教学与科研。 相比一般的课程教学，通识课程的教学不仅要求教 师要有较高的专业学术水平，还要有较宽广的知识面，同时还要有运 用不同知识分析和解决问题的方法和能力。目前能够达到这么标准的 教师少之又少 。 并且通识课程的变化性大 ，学习内容和形式单一 ，短期 内难以见效，教师的工作难以得到合理评价，致使许多高级教师不愿 意担任通识课程的教学，学校便只安排一些少课的青年教师和刚上工 作岗位的教授担任教学工作，对通识教育的教学质量有很大程度上的 不利影响。
人民币汇率的 ＡＲＩＭＡ 模型的预测
姜君娜 （河北联合大学 理学院，河北 唐山 063009）
【摘 要】本文在简要介绍时间序列模型的基础上，使用美元/人民币的日汇率值进行实证研究，建立相应的 ARIMA 模型。 并试图将此模型 应用于汇率的短期预测，并对其预测效果进行评价。
【关键词】短期汇率预测；时间序列分析；ARIMA 模型；spss13.0 软件
差
分
算
子
为
▽d，使
得
d
▽
Yt
=▽
# ▽
! : :
:
（▽
Yt
）
" $ 。
k
定 义.2 若 算 子 B 使 得 ：BYt =Yt-1 ，B Yt =Yt-1 ， 则 称 B 为 延 迟 算
子。
一般来说，一阶差分可以消除序列的线性趋势。 如果一阶差分变
换后的序列仍达不到平稳的目的， 可对原序列进行二阶差分变换，直
2 模型的应用
图1 220
图4
2.1 原始数据 为了获得准确的预测结果，我们选择了从 2010 年 10 月 8 日起的
70 个日汇率数据序列。 2．2 判定序列的平稳性
借助 spss13.0 软件作出该序列的自相关函数图 1（ACF）和偏自相 关图 2（PACF）。从图 1 可见，序列{yt }的自相关函数明显的超出随即区 间，因此，需要对数据进行平稳化处理。
经过逐次尝试，最后决定对数据进行一阶差分处（下转第 240页 ）
要提高高校通识教育教学的质量就必须拥有健全的组织机构、评 估方式、监管体系和教学设施。 这也正是制约我国发展通识教育的大 问题之一。 首先，目前我国许多高校的通识教育课程教学都是由学校 教务处统一实施的， 各学院没有专门的通识教育课程教学指导中心， 导致通识教育学科领域划分不合理， 缺少通识教育教学氛围等问题； 其次，没有完善的评估手段和监管体系，通识教育与一般的课程不同， 不仅仅要掌握专业知识，还要满足能力、道德、人格等方面的要求，目 前仍然缺少对后者有效的评估方法，因此也无法得到所设课程是否有 效的反馈信息，无法评判通识教育的实施是否达到预期效果；最后，由 于高等教育经费投入不足，大多数高校没有建立真正意义上的通识课 程教研室，至于教学媒体、资料、教学实施也相当有限，这一问题严重 的限制了通识教育的发展。
1 累积自回归滑动平均 ARIMA 模型
随机时间序列按是否平稳划分为平稳随即序列和非平稳随机序
列。 判断它是否平稳的标准 ，直观上对序列分段观察 ，若各不相交时段
的均值、方差无显著差异，就认为是平稳数是否迅速按指数衰减到零来判断是
图2
否平稳。迅速衰减的序列为平稳序列，否则即非平稳。通过对汇率的日
变化规律进行分析可知，其是一个非平稳的随机过程，且无周期变化。
设{Yt}表 示 这 一 序 列 ，可 以 用 下 式 表 示:Yt =f（t）+Xt , 式 中 f（t）为
{Yt}的非周期性增长趋势分量；Xt 为{Yt}中的平稳随机过程分量。
1.1 用差分算子消除增长趋势
定义.1 若算子▽使得▽Yt=Yt－Yt-1，则称▽为一阶差分算子；d 阶
借鉴国外一些发达国家的先进经验，我国高校可以考虑建立以下 专门的通识教育实施机构：通识教育委员会；通识教育研究中心；通识 教育专题的网络论坛等。 这些机构应定期召开会议，出版学术刊物以 辅助推广通识教育的开展。高校可通过这些机构来专管通识教育课程 的设置、监督教学过程、评估教学的效果等工作。 3.3 明确通识教育的目标