基於大數據的經濟形勢監測預測理論與方法

田茂再，南開大學概率統計博士，統計學教授，博士生導師，人文社會科學重點研究基地中國人民大學應用統計科學研究中心副主任。是德國HUMBOLADT大學SFB 649 FELLOW重大科研項目中方首席科學家，是美國耶魯大學、哥倫比亞大學、英國曼徹斯特大學等大學的高級訪問教授，曾經入選新世紀優秀人才、甘肅省“飛天學者”和蘭州財經大學“興隆學者”特聘教授、新疆維吾爾自治區“天山學者”特聘教授以及中國人民大學首批傑出學者。他先後主持省部級、國家級項目30余項，在國內外發表300余篇文章，著書10余部，獲省部級及以上獎勵10余項

 

目 錄

第 1 章 緒論  1 

1.1 經濟形勢監測預測的意義及研究現狀  1 

1.2 大數據研究現狀  5 

1.3 大數據下經濟監測預測的革新  9 

1.4 大數據下經濟監測預測面臨的機遇與挑戰  10 

1.5 研究技術路線  11 

第 2 章 大數據分析方法  12 

2.1 傳統統計方法  12 

2.1.1 嶺回歸  12 

2.1.2 LASSO 回歸  13 

2.1.3 加罰方法的推廣  13 

2.1.4 最小角回歸 14 

2.1.5 主成分分析 15 

2.2 機器學習算法  16 

2.2.1 決策樹  16 

2.2.2 提升方法  18 

2.2.3 隨機森林  19 

2.2.4 支持向量機 20 

2.2.5 邏輯回歸  21 

2.2.6 Apriori 算法  21 

2.3 深度學習  22 

2.3.1 投影追蹤  23 

2.3.2 神經網絡  23 

2.4 本章小結  25 

第 3 章 大數據背景下的經濟總量運行監測研究  28 

3.1 引言  28 

3.1.1 現有 GDP 核算方法   28 

3.1.2 GDP 的擴展:GDI 和 GNI  29 

3.1.3 大數據背景下的 GDP  30 

3.2 高維數據集下 GDP 的監測及預測 31 

3.2.1 動態因子模型  31 

3.2.2 關於選擇預測變量的降維方法  32 

3.3 利用非結構化數據監測預測 GDP  33

3.3.1 結合圖片信息監測預測 GDP   34 

3.3.2 互聯網搜索行為監測預測 GDP  35 

3.4 GDP 偏差的估計及預測  37 

3.4.1 GDP 偏差的定義  37 

3.4.2 模型及實證結果   38 

3.5 本章小結  42 

第 4 章 大數據背景下金融風險管理   44 

4.1 引言  44 

4.2 金融風險的研究現狀  45 

4.2.1 風險價值的研究現狀   45 

4.2.2 收益波動率的研究現狀   46 

4.2.3 期望虧空的研究現狀   47 

4.3 金融風險度量  47 

4.3.1 風險價值及估計方法   47 

4.3.2 收益波動率及其估計   54 

4.3.3 期望虧空模型及其估計   62 

4.4 大數據下金融風險管理研究   70 

4.4.1 大數據診斷 71 

4.4.2 大數據處理技術   81 

4.4.3 大數據預測方法   82 

4.4.4 大數據下金融風險的研究現狀  84 

4.5 案例分析  86 

4.5.1 稀疏 VAR 在股票收益率研究中的應用  86 

4.5.2 基於經驗分佈的混合連接函數及其在金融風險管理中的應用 93 

4.6 本章小結 101 

第 5 章 大數據背景下的財政稅收監測研究   102 

5.1 引言  102 

5.2 我國稅收監測總體狀況 103 

5.2.1 稅收的主要組成及監測指標   103 

5.2.2 稅收監測面臨的機遇與挑戰   105 

5.2.3 大數據下監測稅收指標的意義  106 

5.3 稅收分析相關概念   107 

5.3.1 稅收大數據   107 

5.3.2 稅收風險管理  108 

5.3.3 風險預警理論  109 

5.4 案例分析 110 

5.4.1 基於關聯規則的稅收監測案例選擇研究 110 

5.4.2 基於屬性約簡的支持向量機模型在稅收監測中的應用  115 

5.5 本章小結 119

第 6 章 基於對外貿易大數據的經濟監測分析  121 

6.1 引言  121 

6.2 大數據時代的對外貿易 121 

6.2.1 大數據時代對外貿易的機遇和挑戰 121 

6.2.2 大數據時代對外貿易發展措施建議 122 

6.2.3 大數據時代對外貿易統計的新挑戰 123 

6.2.4 大數據時代對外貿易統計工作的建議  124 

6.3 對外貿易可持續發展的評價指標  124 

6.3.1 經濟效益指標 E  124 

6.3.2 生態效益指標 B  126 

6.3.3 社會效益指標 S  127 

6.4 大數據背景下對外貿易監測的研究   127 

6.4.1 指標的計算與合成 127 

6.4.2 模型構建和預測  128 

6.5 對外貿易監測的實例研究 132 

6.5.1 基於大數據的雲南省外貿依存度分析  132 

6.5.2 基於 ARIMA 與 BP 神經網絡復合模型的對外出口貿易預測 137 

6.6 本章小結 140 

第 7 章 大數據背景下的商業貿易監測研究   141 

7.1 引言  141 

7.2 大數據對貿易統計的影響 141 

7.3 主要統計指標  143 

7.3.1 交易指標  143 

7.3.2 點擊流數據   144 

7.4 大數據背景下的貿易統計方法 144 

7.4.1 貿易數據的獲取和整理 145 

7.4.2 數據分析和詮釋  146 

7.5 案例分析 147 

7.5.1 基於時間序列和神經網絡建模的雜志銷售量預測 147 

7.5.2 網絡搜索與汽車銷量之間的關系分析  151 

7.6 本章小結 154 

第 8 章 大數據背景下的物價水平監測研究   156 

8.1 引言  156 

8.2 大數據的發展與應用  156 

8.3 物價水平及相關價格指數 160 

8.4 大數據與居民消費價格指數  164 

8.4.1 CPI 在經濟形勢監測中的意義 165 

8.4.2 大數據對 CPI 產生的影響 166 

8.5 案例分析 167

8.5.1 掃描數據編制 CPI 167 

8.5.2 支持向量回歸  171 

8.6 本章小結 174 

第 9 章 大數據背景下的居民消費監測研究  176 

9.1 引言  176 

9.1.1 大數據背景下的網絡消費  176 

9.1.2 消費者信心指數  177 

9.1.3 消費結構及居民收支  178 

9.2 通過對大數據的監測分析預測消費者產品需求 178 

9.2.1 大數據背景下影響消費的關鍵因素 178 

9.2.2 數據挖掘及模型建立  180 

9.2.3 案例分析  183 

9.3 網絡大數據在消費者信心指數預測中的應用  184 

9.3.1 網絡搜索行為與消費者信心的關聯分析 184 

9.3.2 變量選擇及模型建立  185 

9.4 基於高維大數據探究收入與消費之間的關系  187 

9.4.1 模型及方法   189 

9.4.2 案例分析  191 

9.5 本章小結 194 

第 10 章 大數據背景下的失業監測研究  196 

10.1 引言 196 

10.2 失業大數據研究現狀 196 

10.2.1 失業大數據：宏觀角度  196 

10.2.2 失業大數據：微觀角度  198 

10.3 監測失業率的模型與方法   201 

10.3.1 監測預測模型  203 

10.3.2 人工神經網絡  207 

10.3.3 支持向量回歸  211 

10.3.4 網絡搜索數據分位回歸的失業率監測 213 

10.4 案例分析   214 

10.4.1 人口老齡化與就業結構研究  214 

10.4.2 OECD 國家失業率研究  221 

10.5 本章小結   229 

第 11 章 交通運輸大數據背景下的經濟監測  230 

11.1 引言 230 

11.2 交通運輸與經濟發展的關系  230 

11.2.1 交通固定資產投資與經濟發展的關系 231 

11.2.2 交通運輸量與經濟發展的關系  233 

11.3 交通運輸大數據 237

11.3.1 交通大數據的產生方式與內容  238 

11.3.2 交通運輸大數據的應用  241 

11.4 交通運輸大數據與經濟監測  241 

11.4.1 基於傳統交通運輸數據的經濟監測方法  241 

11.4.2 經濟監測方式在交通運輸大數據背景下的轉變 246 

11.5 案例分析   247 

11.5.1 動機與背景  248 

11.5.2 數據與模型  248 

11.5.3 實證結果展示  249 

11.5.4 結論   251 

11.6 本章小結   252 

第 12 章 大數據背景下房地產經濟監測的理論研究  253 

12.1 引言 253 

12.2 房地產經濟運行監測指標內容 253 

12.2.1 國房景氣指數  254 

12.2.2 按功能分類的監測指標  255 

12.3 大數據與房地產經濟監測   257 

12.3.1 房地產行業互聯網大數據特點  257 

12.3.2 大數據在房地產經濟監測方面的應用現狀   258 

12.3.3 基於大數據的房地產經濟監測的意義 260 

12.4 案例分析   260 

12.4.1 基於面板分位回歸的房價預測  261 

12.4.2 基於多期雙重差分模型的房價與限購令的實證研究  266 

12.5 本章小結   275 

第 13 章 基於移動支付大數據的經濟形勢監測分析方法  277 

13.1 引言 277 

13.2 研究背景與現狀 278 

13.2.1 國外移動支付發展歷程  278 

13.2.2 國內移動支付發展歷程  279 

13.3 移動支付與經濟形勢監測的關系 280 

13.3.1 移動支付對經濟社會運行的影響 281 

13.3.2 移動支付行為對經濟金融的改善意義 282 

13.4 當前移動大數據的特點  283 

13.4.1 移動數據固有的大數據特徵  283 

13.4.2 移動數據的特有大數據特徵  284 

13.4.3 移動大數據搜集與計算問題  286 

13.5 針對移動支付大數據的前沿統計理論與方法  286 

13.5.1 描述類方法  286 

13.5.2 預測類方法  287

13.6 案例分析   292 

13.6.1 利用大數據分析特殊事件對區域經濟狀況的影響 292 

13.6.2 通過移動支付行為監測城市區域經濟發展狀況 294 

13.7 本章小結  295 

第 14 章 函數型大數據統計建模理論方法及其應用研究  296 

14.1 引言 296 

14.1.1 挑戰性前沿問題 296 

14.1.2 幾類金融時間序列  296 

14.1.3 條件自回歸風險值（CAViaR）模型 297 

14.1.4 ARFIMA 過程  298 

14.2 幾類函數型大數據建模  298 

14.2.1 復雜多元函數型大數據分層分位回歸建模   298 

14.2.2 非平穩函數型時間序列分析  302 

14.2.3 時變特徵的非參數檢驗  304 

14.2.4 高維非平穩序列的跳點估計和降維  305 

14.3 時間序列模型 307 

14.3.1 概念   307 

14.3.2 ARMA 過程 309 

14.3.3 時域分析   313 

14.3.4 時間序列統計分析  315 

14.3.5 預測   316 

14.4 ARCH 模型和 GARCH 模型   318 

14.4.1 ARCH 模型 318 

14.4.2 GARCH 模型  324 

14.4.3 GARCH 模型的簡單擴展   327 

14.4.4 GARCH 模型的幾類推廣形式  328 

14.4.5 GARCH 模型擬合  329 

14.4.6 波動率預測和風險度量估計  334 

14.5 條件自回歸風險值的分位數回歸 338 

14.5.1 風險價值模型  338 

14.5.2 CAViaR 339 

14.5.3 分位數回歸  340 

14.5.4 分位數模型檢驗 343 

14.5.5 實證結果   344 

14.5.6 結論   349 

14.5.7 附錄：假設  349 

14.6 ARFIMA 過程  351 

14.6.1 介紹   351 

14.6.2 獨立誤差的情況 353

14.6.3 條件異方差誤差的情況  355 

14.6.4 模擬研究   358 

14.7 本章小結   359 

第 15 章 總結與展望  360 

參考文獻  365