原创《基于ARIMA模型电子银行交易时序预测》：本文是一篇关于电子银行论文范文，可作为相关选题参考,和写作参考文献。
【摘 要】文本以成都市某电子银行交易数据为样本,进行时间序列分析.基于R软件采用ARIMA时间序列模型对交易数据进行拟合,并通过分析残差序列检验模型拟合的准确性,在此基础上对未来交易数据走势进行了预测.
【关键词】电子银行；ARIMA模型；预测
1 电子银行概述
电子银行是一种新型的银行交互式服务方式,使用电子银行的客户只需要通过电脑、手机、POS机等终端就可以不用亲自去银行网点从而实现交易.一般来说,电子银行包括手机银行,网上银行等.由于电子银行的独有特性,其优越性显而易见.（1）用户可以全天候24小时进行电子银行的交易.（2）用户可以在任何有网络的地点下进行电子银行交易.（3）用户可以更加规范和程序化的进行金融交易.
笔者通过走访成都市某大型商业银行,获取了从2017年11月13日至2017年11月19日这7天并以分钟计提的交易数据.由于所获取数据属时间序列数据,因此本文尝试采用ARIMA模型对该交易数据进行拟合,并对未来数据走势进行预测.
2 数据描述和处理
通过筛选缺失数据及无效数据共获得有效数据10055个.
由于该数据有很强的波动性和周期性,因此需要对该数据进行差分处理.
对原始数据进行二次差分处理可以得到差分后的数据,为了验证差分后的数据的平稳性可以对其进行单位根平稳性检验（ADF检验）,检验结果如下表1所示：
通过表1可以看出,ADF检验P值为0.01,小于一般情况下所给定的显著性水平（α等于0.05）,可以认为二次差分后的数据是平稳的.
3 模型识别和检验
为了验证该序列所属模型,对差分后的数据采用自相关函数图（ACF）和偏自相关函数图（PACF）进行分析.
通过结果可以看出时间序列的自相关图和偏自相关图都呈现拖尾的情况,并且自相关系数在二阶后明显收敛但偏自相关系数不好判定,所以可以认定模型属于 ARIMA（2,2,q）模型,确定q的参数则需要通过AIC准则进行判断.
遵从AIC最小准则,可以推断出最适合的模型为非零均值的ARIMA（2,2,3）.并且利用矩估计的方法可以得到该模型的参数估计值,因此拟合ARIMA（2,2,3）模型的方程（1）如下.
Xt等于0.8021Xt-1-0.0268Xt-2+εt-2.4135εt-1+1.9041εt-2-0.4888εt-3（1）
为了判断所识别的模型正确和否,需要对该模型进行检验.由于模型ARIMA（2,2,3）的识别和估计是在假设随机干扰项εt是一个白噪声的基础上进行的,因此,如果模型确认正确的话,残差εt代表的是一个白噪声序列.这里采用QLB统计量进行χ2检验,检验结果如表3所示.
由QLB统计量所计算出的χ2值所属P值为0.9901,大于一般性显著性水平（α等于0.05）,而接受统计量的原假设（HO：残差序列是白噪声序列）,故擬合的模型通过QLB统计量的残差序列检验.
4 模型的预测和分析
为检验模型的预测效果,用拟合出的ARIMA（2,2,3）模型对2017年11月20日前100分钟的数据进行预测,结果如图1所示.
图1展示了2017年11月19日的交易数据以及2017年11月20日前100分钟的预测数据,其中末尾的蓝色线条即预测的交易数据.可以看出预测数据和前一天数据的前100分钟数据走势都呈现下行趋势.由于交易数据表现出强烈的周期性,因此有理由推断该预测的交易数据和上周同一时刻的交易数据会呈现出相似性.
5 结论
从以上的分析结果可以得出以下两点结论.
（1）本文数据所建立的ARIMA （2,2,3）模型可以很好的通过残差序列检验,因此该模型可以很好的拟合交易数据.
（2）将该模型对未来100分钟的交易数据进行预测,发现该模型可以较好的拟合未来交易数据的大体趋势以及均值水平.但是对于短期交易数据的精确把握较为匮乏,需进一步改善.
参考文献：
[1]程鑫.透过电子银行交易数据分析银行发展现状[J].新财经：理论版,2012（4）
[2]梁环忠.我国商业银行电子银行营销攻略的几点思考[J].河北金融,2012（4）
电子银行论文参考资料：
结论：基于ARIMA模型电子银行交易时序预测为关于电子银行方面的的相关大学硕士和相关本科毕业论文以及相关电子银行和网银一样吗论文开题报告范文和职称论文写作参考文献资料下载。
