统计与预测论文范文第1篇

灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它与MATLAB的结合解决了它在计算中的问题。由以上的实例可以看出，用MATLAB编制的灰色预测程序简单实用，容易操作，预测精度较高，而且可以直接绘出直观的二维折线图，为用户参考。

关键词：变形监测； 灰色系统； 灰色预测模型

中图分类号：O141.4 文献标识码：A 文章编号：

1 引言

MATLAB源于Matrix Laboratory一词，原意是为矩阵实验室，是由John Little和Cleve Molar共同成立的美国Math Works公司推出的一种集数学、图形处理和程序设计语言于一体的科技应用软件。它把科学计算、结果的可视化和编程都集中在一个使用非常方便的环境中。在这个环境中，用户的问题和得到的结果都是通过用户非常熟悉的数学符号来表达的。MATLAB系统包括几个组成部分：MATLAB语言、MATLAB工作环境、MATLAB工具箱和MATLAB的API。MATLAB以向量和矩阵为基本数据单位，被称为第4代计算机语言，有着其他一些语言所无法比拟的特点：功能强大；语言简单；扩充能力强、可开发性强；编程容易、效率高。它已在国内外高校、科研机构和工程技术上得到了广泛的应用[1]。

灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它和MATLAB的结合可以有效的解决了灰色系统理论在矩阵计算中的问题，为灰色系统理论的应用提供了一种新的方法[2]。

2GM(1，1)预测模型的MATLAB部分源程序

根据上述GM(1，1)模型的数学思想，结合MATLAB语言的特点编制了一套可读性强，容易理解的预测程序。该程序操作简单灵活，稳定性好，直接面向用户。只要输入原始数据，就可得到预测值和预测值与实测值比较图形。

3工程实例应用

3.1 数据资料

将卧龙寺新滑坡的5号裂缝变形观测数据作为GM(1，1)预测模型程序的原始输入值。其变形时序见表3-1

表3-1 卧龙寺新滑坡位移检测资料(5号裂缝)

预测结果：

在MATLAB平台下，输入表1中的数据即x=[1.0 1.5 1.7 2.5 3.2 4.0 4.4 5.1 5.9 6.3 7.0 7.3 7.8 8.2 8.4 8.7 9.0 9.4 10.0]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果如表4-2：

表3-2 卧龙寺新滑坡5号裂缝实测位移量与预测值(mm)

运行成果图如下：

图3-1.卧龙寺新滑坡5号裂缝原始数据与GM模型预测值比较 图3-2. 新滩滑坡体原始数据与GM模型预测值比较

3.2 数据资料2

1986年6月12日，长江西陵峡新滩镇发生了一次较大规模的滑坡，即新滩滑坡。将其关键部位A点的位移时序观测值作为GM(1，1)预测模型程序的原始输入值。其变形时序如表3-3

表3-3 新滩滑坡体A测点位移观测资料（mm）

预测结果：

在MATLAB平台下，输入表1中的数据即x=[0.077 0.092 0.615 0.65 0.69 0.738 0.846 0.962 1.0 1.03 1.061 1.077 1.1 1.23 2.46 2.754 2.83 2.92 3.46 4.00]，然后调用所编制的文件gm.m，即可得出该预测模型的预测值和有关参数。结果表3-4：

表3-4 新滩滑坡体A测点位移实测位移量与预测值(mm)

4 结论

变形测量值是已发生的变形量，但更重要的是通过对变形观测资料的处理，从现有的数据中预报出下一时刻的变形值，以判断工程的安全状况。本文结合工程实际，探讨了变形监测方案设计、监测数据处理等问题，应用灰色系统理论对建筑物原型观测资料进行了分析；同时，运用MATLAB程序软件编制了GM(1，1)灰色预测模型程序。总结本文，得出以下主要结论:

1.在全面评述变形监测的目的、方法以及变形监测完整过程的基础上，总结归纳了变形观测点位的布设、观测周期的确定原则和方法；指出以允许变形值的安全度为依据来确定变形观测精度指标是一条新途径。

2.针对建筑物时效变形具有一定的单调性和弱随机性，引入灰色系统理论。在一般灰色模型建模特点的基础分析上，建立了灰色预测模型，并将其应用于工程实践中。

3.应用MATLABRUA软件编制了灰色预测模型及精度检验程序.MATLAB是专用的矩阵计算软件，对矩阵的计算有很好的效果，而且用起来比较容易简单，还可以允许用户编程对功能进行扩展。

4、灰色GM(1，1)预测模型在计算过程中主要是以矩阵为主，它与MATLAB的结合解决了它在计算中的问题。由以上的实例可以看出，用MATLAB编制的灰色预测程序简单实用，容易操作，预测精度较高，而且可以直接绘出直观的二维折线图，为用户参考。

参考文献：

[1]周 卫. 基于MATLAB的灰色系统沉降预测. 测绘通报，2002(6):34~36

[2]邓聚龙.灰色系统.北京:国防工业出版社，1985

[3]尹晖等.灰色动态预测方法及其在变形预测中的应用.武汉测绘科技大学学报，1996

[4]陈永奇.变形观测数据处理.北京:测绘出版社，1988

统计与预测论文范文第2篇

摘要：税收作为地方财政收入的主要来源，同地区经济增长密切相关。目前，国内外学者关于税收收入预测的方法有很多，主要分为定性分析和定量预测两大类，本文在前期相关文献的基础上，重点对基于时间序列分析方法的统计模型在我国税收收入预测中的应用进行概括和总结，并在此基础上提出进一步研究的可能性。

关键词：VAR模型；ECM模型；税收收入预测；协整分析

一、税收收入预测的意义

具体而言，我国税收收入预测的功能主要体现在三个方面：第一，事前预测，为税务部门制定年度税收计划提供数据支撑。此外，立足于地区经济发展的实际情况，增强预见性，帮助税务工作者根据经济变化实时调整相应的政策。第二，事中管理。税收计划执行过程中，每一个季度、年度都可以通过增值税收入预测模型实时追踪税收计划完成进度，衡量增值税目标完成情况，为后续税源管理、税收征管等工作提供帮助。第三，事后反馈。税收收入预测是基于经济因素对增值税收入的影响，但于此同时增值税作为地区经济体系的组成部分，反作用于其他经济变量。通过对增值税收入的预测结果与同期增值税收入的真实数值比较分析，不仅可以发现非经济因素变量对增值税收入的影响，不断完善税收收入预测模型，还可以制定相应的政策措施在影响增值税的同时调节整个地区的经济状况。综上所述，税收收入预测是一个十分值得研究的课题，不仅有现实层面的意义，而且利用统计建模的思想对经济变量进行分析预测具有一定的理论研究意义。

二、税收预测在国内的研究现状

我国关于税收收入预测的研究从80年代后期开始，前后共经历三个阶段，第一阶段主要是定性分析，以数据图表为基础，重点分析税收同经济变量之间的关联性，以理论研究为主，方法性不高；第二阶段的研究开始引入计量经济学的方法，比如趋势性预测，常见的有以GDP为自变量的一元线性回归和多经济指标多元回归等，另外，曲线回归模型和指数回归模型应用于税收收入预测的研究方法也开始涌现。第三阶段从90年代后期开始，主要是把时间序列分析的方法应用到税收预测当中去，这一阶段的文献大都涉及到统计模型在税收预测中实证研究，结果表明，模型的预测精度高，拟合效果好，因此这类模型在实际工作中应用的可能性也比较大，在下文中会对两个典型的时间序列预测模型进行比较详细的阐述。第四阶段是各类新型统计方法应用到税收预测当中，比较典型的是计算机模拟方法的应用，比如组合预测的方法、纳税评估仿生模型等。另外，统计软件的应用也越来越广泛，常见的有常见的有E-VIEWS、SPSS、SAS、STATA等，方便我们进行数据处理、模型的构建与求解等。下文将对时间序列分析中两个典型的税收预测模型进行重点介绍：

三、自向量回归模型（VAR）

简单来说，向量自回归模型（VAR）是以变量的历史数据为依托，分析变量间相关关系构造时间序列变量回归方程。

其中，代表被解释变量，是相关变量，分别表示被解释变量滞后各期的取值，和是待估系数矩阵，是误差向量，滞后期N通过AIC统计量法和SC准则来确定。可以看出，当期解释变量是全部相关变量滞后期取值的函数，回归方程的右边不含其它变量取值。VAR模型同传统的回归模型相比，其优势在于VAR模型只需确定变量间相互关系就可以得到回归方程，方程中只含有相互关联的变量，避免主观界定解释变量和被解释变量而导致部分变量的缺失。VAR模型的E-views软件操作包括四步：变量的平稳性和单位根检验；对相关变量进行协整检验，采用OLS法（最小二承法）构建回归方程，检验残差项平稳性来确定变量间是否存在稳定的协整关系；第三步是Grange因果检验进一步验证变量间的因果关系；最后在上述检验的基础上建立税收收入自向量回归预测模型。由于VAR模型本身不依赖于任何经济理论，仅仅通过回归方程带入相关变量的滞后期取值就可以得到预测值，所以VAR模型的拟合效果一般比较好，模型的预测精度较高。

四、误差矫正模型（ECM）

误差矫正模型的构建理论是误差矫正机制，它的原理在于，时间序列变量当期偏差会在以后各期得到校正，短期而言，由于随机干扰项的存在，变量间的协整关系会存在偏差，因而需要根据偏差的大小对变量加以调整，回归方程中的误差矫正系数就代表的短期向长期的调整。

ECM预测模型回归方程的形式为*+。其中，表示被解释变量，表示解释变量，表示待估系数，为误差矫正系数，为误差项。为了降低数据间的差异性，通常对时间序列变量取对数，针对对数序列进行单位根检验（E-views中可采用ADF检验法）和协整检验，得到回归方程后对残差序列进行稳定性检验以保证回归方程的效果。误差矫正模型和VAR模型最大的差异在于VAR模型只局限于变量间的相关关系，在短期预测得到的结果的准确度比较高，但是长期来说，考虑到干扰项的存在，用误差矫正模型进行预测得到的效果会更好，可以通过误差矫正系数调整短期向长期均衡靠拢。

五、结论及建议

从模型的角度来说，根据现有的有关税收与经济关系的经济理论可知，税源主要来自于经济生产和流通环节的各项产值，同GDP的统计口径有相互重叠的地方，当然，GDP规模要大于税收的计征数额，但是不可否认经济因素在税收计量因素中的重要地位。所以在税收预测模型的构建中通常采用GDP作为解释变量来预测税收收入的数值。所以，目前国内关于税收预测模型的文献中，无论是VAR模型，还是误差矫正模型（ECM），研究税收和GDP的居多，模型实证检验的结果显示，以GDP为自变量的回归方程对税收的拟合效果比较好，侧面反映了经济变量对税收的影响较大。同时，在对税收进行研究预测时，不能忽视经济以外因素的影响，例如，政策制度因素可通过界定税源、改变税率以及调整税制结构等直接或间接影响税收收入；社会环境因素偏重于一个地区的税收征纳环境，包括公民自觉纳税意识水平的高低，税务机关税收征管工作的好坏，以及征税纳税相关法律的完善等。（作者单位：东北石油大学）

参考文献

[1]尚红云.税收收入模型预测精度的比较.统计与决策，2008（3）：40-43

[2]柳叶子.税收收入统计预测模型与税收数据检验[J].商化文化，2008（9）

[3]唐小我.最优组合预测的计算方法[J].管理现代化，1992（1）：25—28.

[4]程毛林.我国税收增长的影响因素和预测分析[J]，扬州大学税务学院学报，1998（2）：18-21.

[5]郭江.论税收的弹性分析[J].财经问题研究，2001（11）：58—59.

[6]漆莉莉.税收收入统计预测模型与经济分析[J].税务研究，2005（1）：37-40.

[7]马永开，唐小我.两种组合预测优化模型的分析和比较[J].电子科技大学报，1998（2）：99-103

[8]曹建新，李霞，李伟翔.广东国税税收收入弹性的实证研究[J].华南理工大学学报（社会科学版），2004（6）：9-12.

[9]肖宏伟.基于分税种加总的税收收入推算预测[J].税收经济研究，2013（1）：71-74

[10]马薇.协整理论与应用[M].天津：南开大学出版社，2004

统计与预测论文范文第3篇

关键词： 灰色理论； 股指预测； 系统； MATLAB

中图分类号：TP311.52 文献标志码：A 文章编号：1006-8228（2013）08-38-02

0 引言

近年来，股票扮演着越来越重要的角色，股价指数是衡量股票发展趋势的一个重要指标，股指预测成为越来越多学者研究的焦点[1-5]。灰色理论具有样本少、训练快、预测精度高等特点[6]，许多研究都使用灰色理论对股指进行预测[4-5]。本文使用MATLAB设计并实现了一个股指预测系统，该系统以上海证券综合指数历史数据[7]为样本，首先用MATLAB软件拟合了上证指数每月月底收盘价随时间的变化曲线，从宏观上把握上证指数的变化范围和规律，接着用灰色模型对上证指数进行中短期预测，实现对未来半年和未来6天的上证指数的预测。仿真实验表明该算法是有效的，预测误差小。

1 灰色预测模型的建立

本系统对股指进行了两种预测：未来半年的月底数据预测和未来6天的每日数据预测。

1.1 对月底数据进行预测

由最小二乘法相关知识及MATLAB软件可得发展系数a和灰作用量b为：a=-0.0053665，b=2373.5081。

将得到的发展系数a和灰作用量b值代入灰色预测模型：

1.2 对每日数据进行预测

选取2013年2月19日到2013年3月20日的上证指数每日收盘价22个数据作为样本数据，对每日的数据进行预测。其中将2013年2月19日到2013年3月12日的16个数据作为训练数据，将2013年3月13日到2013年3月20日的6个数据作为检验数据。其预测过程与1.1节相同，得到的每日数据预测的灰色模型如下。

2 灰色预测模型的检验

2.1 对月底数据的灰色模型进行检验

根据公式⑴的灰色预测模型对上证指数中从2012年10月到2013年3月底的6个数据进行灰色预测检验，得出6个上证指数数据预测及检验结果，如表1所示。

4 结束语

本系统使用当前流行的预测算法灰色模型和神经网络对上证指数进行预测，并使用MATLAB进行实现。通过仿真实验说明算法是有效的，预测误差小。该系统使用灰色模型对上证指数进行中短期预测，可以预测未来半年和未来6天的上证指数。界面简洁，易操作，具有很强的实用性。但本系统仅限在预测时期的国内金融市场现状不发生较大变化情况下的预测，现实中影响股指的因素很多，怎样考虑多方面的因素是我们以后研究的方向。

参考文献：

[1] 孙彬，李铁克，张文学.基于GD-FNN 的金融股指预测模型[J].计算机应用研究，2010.27（9）：3272-3278

[2] 李佳.多因素线性回归模型对股指预测作用的分析[D].上海交通大学上海高级金融学院MBA论文，2011.

[3] 王汝，芳田业钧.消费者信心指数与股票市场收益的实证研究[J].经济与管理，2009.23（12）：22-26

[4] 吴朝阳.基于GM（1，1，μ，ν）模型的股指预测[J].计算机技术与自动化，2010.29（3）：113-116

[5] 郑斯日古楞.灰色神经网络在股票价格预测中的应用[J].计算机仿真，2012.29（2）：382-385

统计与预测论文范文第4篇

关键词：股票超额收益率；本外检验；宏观经济变量

中图分类号：F83 文献标识码：A

收录日期：2013年1月2日

一、文献综述

学术界一直十分关注股票收益率可预测性的研究，但对于股票价格能否被预测还没有达成共识（Goyal和Welch，2007；Campbell和Thompson，2008）。在早期研究中，学者们常常关注股价本身及交易量对股价的预测能力，后来这种局限逐渐被打破。1934年，Graham和Dodd提出了高价值比率（valuation ratio）的概念；Sharpe（1964）、Lintner（1965）和Black（1972）提出了经典的CAPM模型，试图用市场风险解释资产的期望收益率的变化。上世纪八十年代以后，其他解释变量也陆续被找到，如股息率、股息支付率、市盈率等。另外，学者们也发现了许多宏观变量对股票超额收益率的预测能力。Campbell（1987）、Fama和French（1989）发现了股票收益率与短期、长期的国债利率的相关关系；Ramin和Tiong（2000）通过对新加坡股票市场的研究，发现利率和汇率对股票收益率具有显著的影响；David（2001）利用三个月国债利率、十二个月国债利率、失业率、工业生产指数、消费者物价指数等对S&P500的月收益率进行研究，发现十二个月国债利率和失业率具有显著的预测能力；David、Mark和Jesper（2005）考察了九个宏观变量对十二个国家的股票收益率的预测能力，结果发现利率的预测能力最可靠。

我国学术界关于股票收益预测性的研究早期围绕着股票市场假说和随机漫步理论（俞乔，1994；宋颂兴等，1995；吴世农，1995），后期一些学者重点研究了CAPM模型以及FF三因子模型，如杨朝军等（1998）、陈小悦等（2000）、杨炘等（2003）。在研究宏观变量与股票收益率的相关性方面，刘金泉等（2004）、肖才林（2006）等认为我国股票收益率与通货膨胀率之间存在负相关关系；韩学红等（2008）详细的论述了通货膨胀率和股票收益率的相关性，认为二者的关系从经济学理论上来说是不确定的，实证检测中在不同的样本区间二者之间的相关性正负也不同；郭田勇（2006）分析研究了股价波动对货币政策的影响；孙华妤和马跃（2003）利用VAR模型分析了股价与GDP、CPI之间的关系，发现货币供应量对股市的作用不大；晏艳阳等（2004）研究了股票价格与债券、出口、国内信贷即短期利率之间的长期协整关系；孙洪庆等（2009）检验了中国股票价格与GDP、工业生产值、个人消费支出、国内固定资产投资、CPI以及货币供应量的协整关系，发现中国股票价格是反经济周期的，但是股票价格与货币供应量之间有相对较强的协整关系。

传统的研究预测方法主要依赖于样本内的回归模型中相关系数的t检验和R2值，然而这种方法本身具有小样本偏误问题和数据重叠问题，会导致虚假的回归结果。近年来，多数学者倾向认为样本外股票报酬预测能力的证据比样本内的证据更可靠，因此纷纷利用样本外（out-of-sample）检验方法来检验预测能力。姜富伟等（2011）采用了这一方法，并对12个经济变量的股票收益预测能力进行了检验，发现样本外检验中所有的行业投资组合都具有很强的可预测性，但是不同成分投资组合的可预测性存在显著差异。

本文遵循国际上的惯例，从样本内和样本外来共同检验中国股票市场超额回报率的可预测性；选择的宏观变量也是研究领域被广泛认可与股票收益率密切相关的，包括消费者价格指数（CPI）、工业生产物价指数（PPI）和先行指数（LI）。参考Campbell和Tompson（2008），本文采用的两个统计指标分别为累计预测误差平方差曲线（cumulative squared prediction error，CSPE）和样本外R2，同时也根据统计指标R2对投资组合的构建提出了一定的意见。本文接下来的结构为：第二部分介绍数据的来源以及各种变量的构成；第三部分主要围绕样本内外检验，并对统计指标R2的投资学意义进行了详细的探讨；第四部分是结论。

二、数据来源与构建

根据数据的可获得性，本文样本覆盖的时间段是2001.1～2012.10。在将数据进行简单处理之后，有效的样本空间为2001.2～2012.8。被解释变量为股票超额收益率，即股票市场回报率与同期的短期无风险利率之差。

股票收益率：本文从Wind数据库获取了两种指数的月度数据——上证综指和深证成指，据此计算出月收益率，然后将无风险利率从月收益率中剔除。

无风险利率：本文采用银行间隔夜拆借利率作为无风险利率的替代变量，数据来自中经网数据库。

在解释变量方面，本文选取了消费者价格指数、工业生产物价指数、先行指数等三个宏观变量。原始数据均来自中经网数据库，后经过简单计算获得这三个变量的月度变化数据。根据目前文献的研究结果，消费者物价指数与股票收益率的关系不确定（韩学红等，2008），所以本文的目的是利用新的研究样本和计量方法对二者的关系进一步检验；工业生产指数和先行指标都反映了整体经济情况，因而应与股票超额收益率呈正相关关系，所以本文也预期这两个解释变量的相关系数为正。表1显示的是股票超额收益率、消费者价格指数、工业生产物价指数、先行指数的统计特征值。（表1）

三、实证检验

（一）全样本检验。本文采用简单线性回归模型：

yt+1=？琢+？茁·xt+ut+1 （1）

其中，yt+1是股票在t+1时刻的超额收益率，xt是某一被认为具有预测能力的宏观经济变量，ut+1是残差。

xt的预测能力由对应的■的t值和R2值决定。零假设是？茁=0，即宏观经济变量没有预测能力，超额收益期望是常数；消费者物价指数的备择假设为？茁≠0，工业生产物价指数和现行指数采用单边假设？茁>0。检验结果如表2所示。（表2）

由表2的结果可以看出，在全样本范围内，深圳成指和上证综指的超额回报率均与消费者价格指数和工业生产物价指数均呈负相关关系，但是相关系数并不显著；深圳成指和上证综指的超额回报率均与先行指标具有显著的正相关关系，与预期相符。

（二）样本内估计。本部分和下一部分将检验各个宏观经济变量对股票超额收益率的样本内和样本外的预测能力。首先将整个样本分为样本内和样本外两部分如图1所示，样本内覆盖前60个数据（2001.2～2006.1），用来估计宏观经济变量和股票市场超额回报率的相关系数；样本外覆盖剩下的79个数据（2006.2～2012.8），用来评价宏观经济变量对股票市场超额收益率的预测能力。然后，在保持全样本不变的情况下，将样本内的数据向前推进一期、样本外数据减少一期，即样本内覆盖前61个数据（2001.2～2006.2），样本外包括之后的78个数据（2006.3～2012.8）。同样，样本内的数据用来估计解释变量的相关系数，而样本外的数据用来评价该解释变量的预测能力。以此类推，如图1所示。（图1）

（三）样本外预测。如上一部分所述，本文利用滚动法（rolling）预测股票超额回报率。根据公式■■=■■+■■x■（其中的相关系数■■和■■均来自样本内的估计结果），可以得到股票超额回报率的预测值■■，从而计算出预测误差■■=y■-■■。另外计算样本内时间段的股票超额收益率的历史平均值■■，从而计算出预测误差■■=y■-■■，那么，■■、■■的初始值分别是■■、■■。注意历史平均值■■表示的是如果宏观经济变量不具有解释或预测能力时未来股票超额收益率的估计值，所以如果■■大于■■，则表明历史平均值的估计优于利用宏观经济变量的估计，即说明宏观经济变量不具备解释或预测股票超额收益率的能力。

获得了■■和■■的数据序列之后，本文计算了两个常用的统计值来检验各个宏观经济变量的样本外预测能力。一个是累计预测误差平方差曲线（cumulative squared prediction error，CSPE）：

CSPE■=∑■■■■■-∑■■■■■ （2）

随着时间的变化，CSPE曲线可以上升，也可以下降。CSPE曲线的上升意味着宏观经济变量预测能力的提高；如果CSPE曲线一直在x轴上方，则对应的宏观经济变量具有很强的预测能力。从图2可以看出，对于上证综指，消费者价格指数和先行指数在2008年中期以后都一直具有正的CSPE值，而且先行指数的CSPE曲线趋势是不断上升的，所以消费者价格指数和先行指标都具有很强的预测能力；对于深证成指，消费者价格指数不能一直保持在x轴上方，而工业生产物价指数和先行指数分别在2009年初和2008年中期以后都相应的具有正的CSPE，而且先行指数的CSPE曲线趋势不断上升，所以工业生产物价指数和先行指数对深圳成指具备很强的预测能力。（图2）

另一个统计检验值是仿照传统的（样本内）R■构建样本外R■■：

R■■=1-■ （3）

如果R■■是正的，则通过宏观经济变量来预测的股票超额回报率的预测误差小于仅根据历史平均超额收益得到的预测值的预测误差，说明宏观经济变量具备解释或预测股票超额收益率的能力。从表3可以看出，对于深圳成指来说，只有先行指数的R■■为正，说明只有先行指标对其具有预测能力；对于上证综指，消费者价格指数和先行指标的R■■均为正，意味着消费者价格指数和先行指标都对其具有预测能力。

对比两个统计指标的结果，消费者价格指数和先行指数对于深圳成指和上证综指的预测能力的结果是一致的：x轴上方的CSPE曲线对应了正的R■■，如果CSPE曲线不能保持在x轴上方，对应的R■■也为负。但是工业生产物价指数虽然在2009年之后保持了正的CSPE，R■■却为负，这说明工业生产物价指数综合的样本外预测能力不强。（表3）

（四）对R2的讨论。从本文的表2和表3都可以发现R2统计值非常小，Campbell和Tompson（2008）也发现了类似的结果。从统计学角度来看，这样小的R2值是没有意义的，但是从经济学角度可以发现这些很小的R2对投资组合的选择依然具有很大的指导价值。

根据Campbell和Tompson（2008）的推导可知，如果投资者没有利用某个宏观经济变量（如xt）预测，那么他选择的投资组合的超额回报率的期望就是：

■■■ （4）

其中，？酌是投资者的风险厌恶相对系数（coefficient of relative risk aversion），？滋是历史平均收益率，？滓■■和？滓■■分别是宏观经济变量和某一随机变量（random shock，？着）的方差，S是夏普比率（Sharpe ratio）。

如果投资者利用该宏观经济变量预测，则他选择的投资组合的超额回报率的期望就是：

■■■■ （5）

注意等式左边的分母是？滓■■而不再是？滓■■+？滓■■，这是因为投资者现在利用宏观经济变量做预测了，所以宏观经济变量的变动不会再对整个投资组合的风险产生影响。

这两个超额回报率的期望的差是■■1+S■，所以通过利用宏观变量来预测使得超额回报率提高的比例是■■，这个值永远大于R■/S■，并当投资时间跨度很小而且R■和S■都很小的时候接近于R■/S■。这个结果说明，当评价R■的大小时，应当将R■与夏普比率方S■进行比较。如果R■大于S■，那么投资者就可以利用宏观经济变量的信息使得投资组合的超额回报率提高。

从Wind数据库可以得到2006.2～2012.8期间，上证综指的S■的均值是6.55%，深圳成指的S■的均值是0.047%。将表3的数据和S■进行比较可知，先行指数对于深圳成指R■均大于对应的S■，但是消费者价格指数和工业生产物价指数的R■均小于S■。这说明只有通过先行指数进行的预测对于投资组合的超额回报率的提高有显著的影响。

四、结论

本文研究了消费者价格指数、工业生产物价指数和先行指数等宏观经济变量对股票超额收益率的预测能力。尽管目前对我国物价水平（通货膨胀率）与股票收益率的相关关系的研究并没有什么定论，但是本文的结果显示从2001年2月至2012年8月期间，消费者价格指数与下一期的股票超额收益率呈负相关关系，即物价水平越高，下一期的股票收益率越低，这个结果和多数研究的结论保持一致。股票超额收益率随着上一期的先行指数的增减而增减，这符合预期和经济学理论。工业生产物价指数与股票超额收益率的相关系数为负，与之前的预期矛盾，但这个结果似乎符合我国实体经济与股票市场常常“背道而驰”的现状，这一结果和现状值得在以后的研究中进一步讨论。

为了获得更可靠的结果，根据现存许多国内外文献的研究办法，本文从样本内和样本外同时检验了股票市场超额回报率的可预测性，样本外统计值利用的是累计预测误差平方差曲线（CSPE）和样本外R2。结果显示先行指数对于上证综指和深圳成指都具有很强的预测能力，消费者价格指数仅对上证综指具有预测能力，而工业生产物价指数对两个股票市场指数都不具备长期稳定的预测能力。这一结果与全样本回归的结果并不矛盾，即先行指数的预测能力很强，消费者价格指数的预测性稍差，但是工业生产物价指数却并没有如预期的那样能够预测下一期的股票超额回报率。另外，通过对样本外的深入研究可以发现，利用先行指标进行投资理论上可以很好地提高股票超额收益率。

主要参考文献：

[1]周爱民.股市可预测性与技术指标协整性的模型检验[J].数理统计与管理，1999.19.

[2]李锐，向书坚.非平稳条件下的市场可预测性问题研究[J].数量经济技术经济研究，2008.9.

[3]杨炘，陈展辉.中国股市三因子资产定价模型实证研究[J].数量经济技术经济研究，2003.12.

[4]陈小悦，孙爱军.CAPM在中国股市的有效性研究[J].北京大学学报，2000.4.

[5]韩学红，郑妍妍，伍超明.对我国股票收益率与通货膨胀率关系的解释：1992-2007[J].金融研究，2008.4.

[6]郭田勇.资产价格、通货膨胀与中国货币政策体系的完善[J].金融研究，2006.10.

[7]孙华妤，马跃.中国货币政策与股票市场的关系探索[J].经济研究，2003.7.

[8]晏艳阳，李志，许均平.中国股市波动与宏观经济因素波动间的协整关系研究[J].统计研究，2004.4.

[9]孙洪庆，邓瑛.股票价格、宏观经济变量与货币政策——对中国金融市场的协整分析[J].经济评论，2009.4.

[10]姜富伟，凃俊，David E.Rapach、Jack K.Strauss，周国富.中国股票市场可预测性的实证研究[J].金融研究，2011.9.

统计与预测论文范文第5篇

统计学就是收集数据、整理数据以及分析数据的方法论学科，在一定程度上，能够支持经济学的实证研究，保证其能够对所需要应用的数据进行有效整理与收集，进而形成统计思想，达到预期的研究目的。

关键词：

经济学；研究；统计学思想

在对经济学进行研究的过程中，统计学思想是至关重要的部分，其中包含着估计思想、拟合思想、均值思想等，有利于提高经济学研究效率，凸显出经济学的研究价值，为其后续的发展奠定良好基础。

1经济学中统计思想分类

1.1统计思想之估计思想

统计思想是一门具有综合性特点的学科，其涉及的内容较广，研究重点有所不同，使得主要的思想部分受到广泛关注。然而，在统计思想中估计思想是最为主要的组成部分，主要因为估计思想是一种认识方式，能够将利用样本对统计的总体进行预测，在一定程度上，能够有效提高预测准确度。与此同时，样本是统计中最为重要的部分，在显示总体属性的基础上，可以利用样本的研究结果预测总体概况，但是，统计样本很容易受到各类因素的影响，导致统计数据与总体数据出现偏差。

1.2统计思想之拟合思想

拟合思想就是在统计期间，能够对不同类型的事物的表象关系进行分析，保证能够拟合出事物的前后顺序，使得错综复杂、难以分辨的信息规律凸显出来，进而形成良好的发展趋势。

1.3统计思想之均值思想

对于统计思想而言，均值思想就是根据统计学的基本特征凸显出事物的一般性规律，使得经济学研究人员可以全面了解事物发展规律，避免出现各类干扰因素影响其统计准确性，进而提高经济学研究质量。

1.4统计思想之联系思想

经济学研究中各类事物都存在着密切的联系，只有应用统计联系思想，才能保证人们在处理问题的时候，可以注意事物之间的联系，提高变量考察效率[1]。

1.5统计思想之差异思想

统计学最为显著的特点就是概括性，与差异思想存在密切的联系，主要因为差异思想可以引导经济学研究人员能够根据事物之间的差异，对事物进行统计与概括，进而形成良好的数据研究体系。

2经济学研究中统计思想的应用路径

2.1经济学研究风险决策时应用统计思想

在经济研究决策期间，经常会存在不确定的因素，使得经济活动承担一定风险。由此可见，在经济研究决策之前，必须要利用科学的方式制定工作制度，保证能够向着正确的方向前进。首先，在日常经济活动中，企业要利用正确的决策规避盈利亏损。其次，企业要正确估量经营中可能出现的经济损失，保证能够制定完善的措施规避企业的损失。最后，企业可以利用统计学的概率论原理，形成竖形图像实施分析工作，进而提高企业的发展效益[2]。

2.2经济学研究市场调查中应用统计思想

经济学研究人员在市场调查过程中，必须要全面分析统计学的应用特点，保证能够有目的性的对市场调查内容进行分类，并且提高数据记录效率，使其达到系统性目的。同时，经济学研究人员还要正确分析所搜集的市场信息，及时发现企业的缺点，并采取有效措施弥补，为企业在市场中的发展提供正确方向。另外，经济学研究人员还要利用统计学思想全面判断市场需求，提出更多的可行性战略条目，例如：取样调查、抽样调查等，使得统计思想能够更好的应用在经济学研究领域中，为其发展奠定坚实基础[3]。

2.3经济学研究经济预测时应用统计思想

在统计学理论中，经济预测与风险预测是有所不同的，经济预测就是对未来各类不确定的经济因素进行分析，保证能够利用科学的手段实施经济预测工作，避免对经济进行臆想与胡乱猜测[4]。同时，在经济预测期间，不可以出现利用直觉与经验预测的问题，必须要根据经济预测要求，科学、精确的实施计算工作，在搜索各类相关资料的同时，不断分析与判断未来的经济发展趋势。企业决策者可以利用统计思想中经济预测手段加深对企业未来经济的了解，以便于做出更加完善的决策。经济预测指标包括以下三种：一是经济预测范围。二是经济预测时效。三是经济预测性质。每个标准都有自身存在的意义，可以促进经济学研究效率的提高。

3结束语

在经济学研究期间，相关研究人员必须要全面分析统计思想，确保能够将其有效应用在研究工作中，在提高研究质量的基础上，凸显经济学研究价值，为其发展奠定良好基础。

作者：许欢 单位：唐山人民医院

参考文献：

[1]陈小琴,潘东明.基于微观经济学视角下的中国鲜切花产业统计数据分析[J].中国农学通报,2013,28(32):128-137.

[2]毓欣.本世纪公共经济学研究重点的统计揭示--基于《公共经济学杂志》2003-13年间的分析[C].中国财政学会2013年年会暨第十八次全国财政理论讨论会论文集.2013:704-709.