2026时间序列分析实战应用类试题及解析

2026时间序列分析实战应用类试题及解析

一、单项选择题（总共10题，每题2分）1.下列关于平稳时间序列的描述，正确的是（）。A.均值随时间变化但方差恒定B.自协方差仅与时间间隔有关C.一定不存在趋势项和季节项D.差分后必然转化为非平稳序列2.若某时间序列的自相关函数（ACF）呈现拖尾，偏自相关函数（PACF）在2阶后截尾，则最可能符合的模型是（）。A.AR(2)B.MA(2)C.ARMA(2,2)D.ARIMA(1,1,1)3.对非平稳时间序列进行ARIMA建模时，确定差分阶数d的主要依据是（）。A.AIC准则最小值B.序列的季节周期长度C.单位根检验结果D.残差的白噪声检验4.GARCH模型主要用于刻画时间序列的（）。A.长期趋势B.波动聚集性C.季节周期性D.均值回归特性5.白噪声检验（如Ljung-Box检验）的原假设是（）。A.序列存在自相关B.序列不存在自相关C.序列均值为0D.序列方差恒定6.对月度经济数据进行季节调整时，常用的方法是（）。A.一阶差分B.X-13ARIMA-SEATSC.指数平滑法D.主成分分析7.时间序列预测中，均方根误差（RMSE）与平均绝对误差（MAE）的主要区别在于（）。A.RMSE对大误差更敏感B.MAE计算更复杂C.RMSE反映误差方向D.MAE适用于非正态分布8.协整检验的主要目的是（）。A.验证多个序列是否存在长期均衡关系B.检验序列是否平稳C.确定VAR模型的滞后阶数D.识别ARMA模型的阶数9.VAR模型与单变量AR模型的本质区别是（）。A.VAR包含外生变量B.VAR考虑变量间的相互影响C.VAR仅适用于平稳序列D.VAR不允许滞后阶数大于110.指数平滑法中，平滑系数α取值越接近1，表明（）。A.对近期数据的加权越小B.对历史数据的记忆越久C.模型对数据变化的反应越灵敏D.预测结果越稳定二、填空题（总共10题，每题2分）1.ADF检验的原假设是时间序列存在__________。2.ARMA(p,q)模型的平稳性仅由__________部分决定。3.季节ARIMA模型的一般形式可表示为ARIMA(p,d,q)(P,D,Q)s，其中s代表__________。4.GARCH模型的均值方程通常采用__________模型（填写模型类型）。5.白噪声序列的自相关函数（ACF）在所有非零滞后阶数处取值为__________。6.简单指数平滑法适用于无趋势、无季节成分的__________序列。7.协整的必要条件是参与检验的时间序列具有相同的__________。8.VAR模型的滞后阶数通常通过__________准则（如AIC、BIC）确定。9.ARCH效应检验（如LM检验）的核心是验证残差平方是否存在__________。10.Holt-Winters乘法模型适用于季节波动幅度随__________变化的序列。三、判断题（总共10题，每题2分）1.平稳时间序列的均值一定为0。（）2.ACF拖尾、PACF截尾是MA模型的典型特征。（）3.对非平稳序列直接建立ARMA模型会导致伪回归。（）4.GARCH(1,1)模型中，参数α+β>1时，波动具有持久记忆性。（）5.若Ljung-Box检验的p值大于0.05，说明残差序列是白噪声。（）6.季节差分（如12阶差分）主要用于消除年度周期的季节成分。（）7.指数平滑法仅适用于线性时间序列预测。（）8.协整检验要求所有参与检验的序列必须是同阶单整的。（）9.VAR模型中的每个方程都包含所有变量的滞后项。（）10.RMSE比MAE更易受异常值影响。（）四、简答题（总共4题，每题5分）1.简述ADF检验的基本步骤。2.概括ARIMA模型的建模流程。3.说明GARCH模型与ARCH模型的主要区别。4.时间序列预测中，选择评估指标（如MAE、RMSE、MAPE）时需考虑哪些因素？五、讨论题（总共4题，每题5分）1.某电商平台日销售额序列呈现明显的非平稳性（含趋势和季节成分），请设计一套建模策略并说明关键步骤。2.股票收益率序列常表现出“波动聚集”现象，如何利用时间序列模型刻画这一特征？需注意哪些问题？3.经济月度数据为何需要进行季节调整？常用的季节调整方法有哪些？各自的特点是什么？4.多变量时间序列分析中，VAR模型与VECM模型的选择依据是什么？请结合实际场景说明。答案及解析一、单项选择题1.B（平稳序列的均值、方差恒定，自协方差仅与时间间隔有关）2.A（AR(p)模型PACF截尾于p阶，ACF拖尾）3.C（通过ADF等单位根检验确定是否需要差分及差分阶数）4.B（GARCH用于捕捉波动集群性和条件异方差）5.B（白噪声检验原假设为无自相关）6.B（X-13ARIMA-SEATS是常用季节调整方法）7.A（RMSE平方误差，对大误差更敏感）8.A（协整检验验证变量间长期均衡关系）9.B（VAR考虑变量间相互影响，单变量AR仅自身滞后）10.C（α越接近1，近期数据权重越大，模型反应越灵敏）二、填空题1.单位根（非平稳）2.AR（自回归）3.季节周期长度（如12代表月度）4.AR（或ARMA、随机游走等）5.0（或近似0）6.平稳（或水平）7.单整阶数（或积分阶数）8.信息（或信息准则）9.自相关（或ARCH效应）10.序列水平（或均值）三、判断题1.×（平稳序列均值恒定，但不一定为0）2.×（MA模型ACF截尾，PACF拖尾）3.√（非平稳序列直接建模可能导致伪回归）4.√（α+β>1时波动冲击长期存在）5.×（p>0.05不拒绝原假设，不能证明是白噪声）6.√（季节差分消除s阶周期成分）7.×（指数平滑法可扩展用于非线性，如Holt-Winters）8.√（协整要求同阶单整）9.√（VAR每个方程包含所有变量的滞后项）10.√（RMSE平方放大了异常值的影响）四、简答题1.步骤：①设定原假设（存在单位根）和备择假设（平稳）；②构造包含常数项、趋势项或无的检验方程；③计算ADF统计量；④与临界值比较，若统计量小于临界值则拒绝原假设，认为序列平稳。2.流程：①检验序列平稳性（如ADF检验），确定差分阶数d；②通过ACF/PACF或信息准则确定AR(p)和MA(q)阶数；③估计模型参数并检验显著性；④诊断残差是否为白噪声；⑤利用模型进行预测。3.区别：ARCH模型仅用过去残差平方的有限阶数拟合条件方差，GARCH引入了条件方差的滞后项，能用更少参数捕捉长期波动聚集性，更适用于实际数据。4.因素：误差分布（如正态分布用RMSE）、业务需求（关注绝对误差用MAE）、数据量级（MAPE消除量纲影响）、异常值敏感度（RMSE对大误差更敏感）。五、讨论题1.策略：①可视化分析（趋势、季节周期）；②单位根检验确定非平稳性；③差分消除趋势（d=1），季节差分消除季节成分（D=1，周期s=7或30）；④对处理后序列用ACF/PACF或信息准则确定ARIMA(p,d,q)(P,D,Q)s阶数；⑤参数估计与残差检验；⑥预测并还原差分影响。2.方法：使用GARCH类模型（如GARCH(1,1)），均值方程用AR或随机游走，方差方程捕捉波动聚集。注意：需先检验ARCH效应（如LM检验）；处理均值方程的残差需为白噪声；参数需满足非负性和α+β<1（保证方差平稳）。3.必要性：季节成分掩盖趋势和循环波动，影响政策分析。方法：①X-13ARIMA-SEATS：基于ARIMA