2025年大学《应用统计学》专业题库- 时间序列模型与财务分析

2025年大学《应用统计学》专业题库——时间序列模型与财务分析考试时间：______分钟总分：______分姓名：______一、选择题（每小题2分，共20分。请将正确选项的代表字母填在题后的括号内。）1.时间序列数据与非时间序列数据最根本的区别在于什么？A.数据的量级大小B.数据的采集频率C.数据是否具有时间顺序D.数据的变量类型2.如果一个时间序列数据的自相关系数从第1期开始逐渐减小并趋于零，通常暗示该序列可能满足哪种模型结构？A.MA(1)B.AR(1)C.ARIMA(p,0,q)D.指数平滑模型3.某公司季度销售额数据显示出明显的季节性波动，但在消除季节性影响后，剩余数据呈现上升趋势，此时应优先考虑使用哪种模型进行预测？A.简单指数平滑法B.霍尔特线性趋势模型C.霍尔特-温特斯模型D.ARIMA(0,1,1)模型4.在使用ADF检验判断时间序列的平稳性时，如果ADF统计量的检验值大于临界值，通常意味着什么？A.拒绝原假设，认为序列平稳B.拒绝原假设，认为序列非平稳C.无法判断序列的平稳性D.临界值设置错误5.指数平滑法中，平滑系数α的取值范围是？A.(0,1)B.(0,∞)C.(-1,1)D.(0,1]6.对于一个平稳的时间序列，其均值和方差是否随时间变化？A.均值不变，方差变化B.均值变化，方差不变C.均值和方差都不变D.均值和方差都变化7.在构建ARIMA模型时，ACF和PACF图的主要作用是？A.计算模型参数B.检验模型残差C.判断序列的平稳性D.确定模型的阶数(p,d,q)8.下列哪个指标常用于衡量时间序列模型预测的准确性？A.自相关系数(Rho)B.决定系数(R-squared)C.均方误差(MSE)D.峰度(Kurtosis)9.财务数据中的股票价格数据通常表现出哪些特征？A.平稳性、无季节性B.非平稳性、强季节性C.非平稳性、随机游走特征D.平稳性、周期性波动10.如果时间序列模型的残差项呈现白噪声特征，这意味着？A.模型拟合良好B.模型存在未解释的信息C.模型需要进一步调整D.数据存在严重的异常值二、计算题（每小题10分，共30分。请写出详细的计算步骤和公式。）11.某公司过去5年的年度利润数据（单位：百万元）如下：10,12,13,15,16。试用简单指数平滑法（α=0.3）预测第六年的利润。12.已知某时间序列数据的一阶差分后变得平稳，其二阶自相关系数和一阶偏自相关系数如下表所示：|lags|ACF|PACF||------|---------|---------||1|0.5|0.5||2|0.2|0.1||3|-0.1|-0.15||...|...|...|试用自回归模型AR(p)描述该序列，并确定其阶数p。13.某分析师使用ARIMA(1,1,1)模型对某股票的日收盘价进行了拟合，模型估计参数为：φ=0.6,θ=0.4，截距项α=0。假设yesterday的实际收盘价为100元，预测值为98元。请计算今天预测的收盘价（不考虑随机误差项）。三、应用分析题（共50分。请结合财务背景，展示完整的分析过程和结果解释。）14.某零售公司提供了其过去10年（120个月）的月销售额数据（单位：万元）。数据显示销售额有明显的上升趋势，同时存在一定的季节性波动。请详细阐述你将如何选择并应用一个合适的时间序列模型来分析这段销售数据，以识别其趋势和季节性成分，并进行未来几个月的销售额预测。在阐述过程中，请说明你将考虑哪些因素来选择模型，以及如何进行模型诊断以确保预测的可靠性。不需要进行实际的数据计算。试卷答案一、选择题1.C2.A3.B4.B5.A6.C7.D8.C9.C10.C二、计算题11.预测第六年利润=16+0.3*(16-10)=16+1.8=17.8百万元。解析思路：简单指数平滑法预测下一期值等于本期实际值与本期平滑值的加权平均。公式为Ft+1=α*At+(1-α)*Ft。此处α=0.3，F6=16+0.3*(16-10)。12.该序列应选择AR(1)模型。解析思路：根据ACF和PACF图的特征判断模型阶数。ACF从第一个lag开始缓慢衰减至零，PACF在第一个lag处显著且之后迅速衰减至零，这是典型的一阶自回归AR(1)模型的特征。13.今天预测的收盘价=100*0.6+98*0.4=60+39.2=99.2元。解析思路：ARIMA(1,1,1)模型的预测方程（忽略常数项和随机误差项）可表示为：Ŷt+1=φ*Ŷt+θ*εt+At+1。将t替换为t-1，得到预测值关系：Ŷt=φ*Ŷt-1+θ*εt-1+At。代入题目给定值计算即可。三、应用分析题14.分析过程与思路：1.数据可视化与初步分析：绘制120个月销售额的时间序列图，观察数据的基本趋势（上升）、季节性波动模式（是否存在固定的周期性模式）以及是否存在异常点或结构性变化。2.平稳性检验：对原始销售额数据进行单位根检验（如ADF检验），判断序列是否平稳。由于数据呈现上升趋势，原始序列很可能非平稳。若非平稳，需进行差分处理。3.差分处理：如果原始序列非平稳，计算其一阶差分（ΔYt=Yt-Yt-1），然后对一阶差分序列进行平稳性检验。若一阶差分后序列平稳，则选择ARIMA(p,1,q)模型，其中p为差分后序列的AR阶数，q为MA阶数。4.模型识别（针对差分后序列）：*绘制差分后序列的ACF和PACF图。*根据ACF和PACF图的特征判断自回归阶数p：ACF拖尾、PACF在p阶截尾指向AR(p)。*根据ACF和PACF图的特征判断移动平均阶数q：ACF在q阶截尾、PACF拖尾指向MA(q)。5.模型选择：综合考虑ACF/PACF图、AIC/BIC等信息（虽然题目未要求计算，但实际操作中会考虑）选择最合适的ARIMA(p,1,q)模型。6.模型估计与检验：使用最小二乘法或其他方法估计模型参数，并进行残差分析。检验残差是否为白噪声（如进行Ljung-Box检验）。7.模型诊断：检查残差图、Q-Q图等，确认模型拟合良