【摘 要】论文对四川省季度工业产成品序列建立gmdh、arima、arch模型，然后用gmdh提出新的组合预测模型。对比分析各模型预测结果表明：对单一模型而言，基于gmdh组合的预测模型可进一步提高预测精度。
　　【关键词】工业产成品库存；gmdh；arima；arch；组合预测
　　本文首先对四川省工业产成品季度数据序列建立gmdh自回归预测模型。然后用同样能模拟时间序列变量波动性变化的时间序列arima（p，d，q）模型和arch模型建立预测模型，最后运用参数型输入输出gmdh模型进行组合预测。
　　一、模型理论简介
　　（1）gmdh模型。gmdh是由乌克兰科学院a.g.ivakhne
　　nko院士在1967年提出的，是一种基于遗传与进化的演化方法，它依据给定的准则从一系列候选模型集合中挑选较优模型。（2）arima模型。arima模型全称为差分自回归移动平均模型，其基本思想是：将预测对象随时间推移而形成的数据序列视为一个随机序列，用一定的数学模型来近似描述这个序列。这个模型一旦被识别后就可以从时间序列的过去值及现在值来预测未来值。（3）arch模型。arch模型又称为自回归条件异方差模型，它能够有效的提取残差中的信息，被广泛的应用于经济学的各个领域，尤其是在金融时间序列分析中。因此arch模型在经济预测中也取得了良好的效果。arima模型及本节介绍的arch模型均在eviews中实现。（4）组合预测。在实际应用中，经常使用组合预测模型来应对经济系统的复杂多变。wWW.11665.CoM基于gmdh输入输出模型方法的组合预测模型就是利用自组织数据挖掘算法在尽可能多的模型结构形式中进行择优选择，体现了复杂性科学研究思想。
　　二、实证研究
　　本文选取2003年1季度至2009年2季度共26个季度的数据用作建模，2009年3至4季度的数据作为预测检验数据。（1）数据预处理。将真实工业产成品值环比指数化，即用环比预测消除量纲影响： 。式中y′■为第t期工业产成品库存真实值，yt为消除了量纲影响用于预测的t期环比值。本文中以2003年1季度至2009年2季度数据作为拟合数据，此处n为26，2003年1季度环比值设为100。（2）预测结果。本文首先利用gmdh模型、arima模型及arch模型进行预测，得到ygmdh值、yarima值及yarch值，各单项模型预测结果见表1。
　　表1 2009年3～4季度单个模型预测值及误差
　　从上表可以看出，gmdh模型的预测效果最好，预测的相对误差仅为3.4772%和0.234%，预测精度已经比较高。分析预测值与实际值发现，模型拟合值之间存在着非线性关系，使用非线性组合预测法更适用于产成品库存预测。以ygmdh、yarima及yarch值作为模型输入，使用gmdh输入输出模型将各个单模型预测结果组合起来，得组合模型的预测结果如表2所示：
　　表2 2009年3～4季度组合模型预测值及误差
　　将表2与表1进行对比可以看出，基于gmdh组合模型在产成品库存预测中取得了良好的效果：组合模型的单个预测值相对误差最小，效果比较满意。为了清晰地说明模型好坏，我们计算了各模型下的预测误差平方和，该指标进一步验证了组合预测的优良性。
　　本文以2003年1～2季度四川省工业产成品库存量建立gmdh预测模型，建立了arima模型和arch预测模型，对2009年第3～4季度的工业产成品库存进行预测。利用gmdh组合预测方法对三个单一模型预测结果进行了组合提高模型预测精度。得出结论：组合模型能够集合单个模型的优点，提高预测精度。
　　参 考 文 献
　　[1]贺昌政.自组织数据挖掘与经济预测[m].北京：科学出版社，2005
　　[2]易丹辉.数据分析与eviews应用[m].北京：中国统计出版社，2002