摘要
回归分析预测被广泛应用于经济学、社会科学、工程技术和生物学等许多领域当中，进行各专业指标变量的统计分析和预测控制。本文从回归分析预测与其他预测方法的简单算法对比出发，系统的讨论了线性回归分析和非线性回归分析的基本算法，再以八一钢铁股票的历史价格为例，对比多元线性回归和非线性回归分析预测，得出非线性回归分析拟合能力更强、拟合优度更高的结论。
关键字：回归分析预测；非线性回归；线性回归；拟合度
Regression analysis in the stock of the use of
forecast
Abstract: The regression analysis forecast is widely applied in the economic, the social sciences, the engineering technology and the biology and so on the middle of many domains, carries on each specialized target variable the statistical analysis and the predictive control. This article embarks from the regression analysis forecast with other forecast technique's simple algorithm contrast, system's discussion linear regression analysis and non-linear regression analysis's primary algorithm, again take 81 steel and iron stock's historical price as the example, the contrast multi-dimensional linear regression and the non-linear regression analysis predict that obtained the non-linear regression analysis fitting ability to be stronger, a goodness of fit higher conclusion.
Keywords: Forecast regression analysis，Non-linear regression，Linear regression，Fit
目录
第1章前言 (1)
1.1选题背景和意义 (1)
1.2股票的可预测性 (2)
1.3回归的发展概况 (3)
1.4文章结构 (4)
第2章预测方法概述 (6)
2.1趋势分析法 (6)
2.2时间序列法 (7)
2.3灰色预测法 (7)
2.4模糊数学法 (8)
2.5回归分析法 (9)
第3章回归分析 (10)
3.1线性回归分析 (11)
3.1.1 一元回归模型 (11)
3.1.2 多元回归线性分析模型 (12)
3.1.3 线性相关程度测定及相关性检验预测 (16)
3.2非线性回归分析 (17)
3.2.1 非线性回归分析 (17)
3.2.2 参数估计和模型检验 (19)
3.2.3 非线性回归分析存在的问题 (21)
第4章实例分析 (23)
4.1用回归分析进行预测的步骤 (23)
4.2数据的选取 (23)
4.3线性回归分析的程序实现 (24)
4.3.1 回归方程求解 (24)
4.3.2 运行结果 (26)
4.3.2 模型预测 (27)
3.3.3 结果分析 (27)
4.4非线性回归分析的程序实现 (27)
4.4.1 模型拟合 (29)
4.4.2 差分运算 (29)
4.4.3 模型定阶 (31)
4.4.4 建立模型 (31)
4.4.5 模型检验 (31)
4.4.6 模型预测 (32)
4.4.7 绘图 (32)
4.4.8 结果分析 (33)
结论 (34)
致谢 (35)
参考文献 (36)
附件 (37)
第1章前言
1.1 选题背景和意义
股票价格是中国绝大多数公民关心的问题，也是经济、系统科学领域研究的热点问题。
目前，证券市场的成熟程度己经成为衡量一个国家经济总体发展水平的重要指标。西方发达国家证券化比率(股票市场总市值占GDP的比重)高达50%-100%。新中国的证券市场虽然起步较晚，但有了较快发展，主要表现在股票市场的总市值和上市公司数目的不断增长。我国加入WTO，所有经济元素都在向国际看齐，诸如法律法规，关税水平等。但随着贸易制度的完善，股市作为经济的“晴雨表”与国际接轨，逐步走向成熟、规范是必然趋势。随着国家对证券市场的开放，政策调控水平以及投资集团群体思维能力的提高，人们在交易行动之前对证券市场的未来加以预测也会成为一种自觉的思维活动。
投资者们时刻在关心股市、分析股市、试图预测股市的发展趋势，然而影响股票价格的因素很多，其作用机制也相当复杂，其走势的预测非常困难。主要因为我们缺乏信息对市场影响的传导系统的结构和系统模型，并且不能准确把握金融政策、利率政策、公司状况、国际市场及投资者心理承受能力等因素的变化及其对市场的影响方式和作用。因此，对我国证券投资预测的研究，不仅可以使投资者获得风险既定下的最大收益或收益最大下的最小风险，而且对研究证券价格的形成机制、评价证券市场效率以及对证券市场实施有效监管都具有重要作用。也正因为如此，如何判断或预测股票市场价格走势引起了众多经济金融学家和市场分析人员的极大兴趣，各种预测方法相继涌现，证券投资领域可以说是研究和运用各种预测方法最多的领域之一。
股市预测是经济预测的一个分支，它是以准确的调查统计资料和股市信息为依据，从股票市场的历史现状和规律性出发，运用科学的方法，对股票市场的未来发展前景做出测定。
股市的可预测性问题与有效市场假说(三ffieientMarketHypothesis，简称EMH)密切相关。如果有效市场理论或有效市场假说成立，股票价格充分反映了所有相关的信息，价格变化服从随机游走，股票价格的预测则毫无意义。从中国股
票市场的特征来看，大多数学者的结论支持中国的股票市场尚未达到弱势有效，也就是说，中国股票市场的股票价格时间序列并非序列无关，而是序列相关的，即历史数据对股票的价格形成起作用，因此，可以通过对历史信息的分析预测价格。
随着计算机技术、混沌、分形理论的发展，人们开始将股票的市场行为纳入非线性动力学研究范畴。我国学者闰冀楠、张维和美国学者AF.Darart和MZhong 等分别采用非参数检验等方法，发现我国股市的指数收益中，存在经典线性相关之外的非线性相关，从而拒绝了随机游走的假设，指出股价的波动不是完全随机的，它貌似随机、杂乱，但在其复杂表面的背后，却隐藏着确定性的机制，因此存在可预测成分。当然，认为股价可预测，并不等于说可以100%的准确预见，而是指可以使用经济预测的方法，建立起能在一定误差要求之下的预测股价变动的预测模型。
一批学者先后证实了证券市场的确存在着一些可利用的规律，其成功率之高和稳定性之久，远远超出了“随机行走理论”可以解释的范围,因此，最近二十年，持证券市场缺乏效率观点人越来越多，证券市场预测的研究也再次成为人们关注的热点，应用技术分析等方法进行证券投资预测分析研究中逐渐成为证券投资的主要手段之一[1]。
1.2 股票的可预测性
通过对已知事实的分析总结，得到对客观世界的认识和规律。这些规律可以帮助人类认识现有的世界，同时帮助人类对未知的现象做出正确的预测和判断，预测不能直接观测的事实。预测是指从已知事件测定未知事件。预测理论作为一种通用的方法论，既可以应用于研究自然现象，也可以应用于研究社会现象。将预测理论应用于各个领域，就产生了预测的各个分支，如医学预测、电力预测、经济预测、气象预测等等。
在金融经济学的发展上，人们对金融预测作了大量的探索，取得了丰硕的成果。典型的金融预测是回归分析预测。回归分析预测就是在大量观测数据的基础上，找出这些变量之间的内部规律，从而定量的建立起一个变量与其它变量的数学表达式。为了研究这种规律性，人们提出了许多预测模型，并对这模型的性质及分析方法进行了深入的研究[2]。
这些在理论上很成功，但它们都是建立在很理想的假设上，而这些假设与市场的实际情况有很大差距，所以这些理论在实际效果中并不理想。另一种方法是从统计角度对金融时间序列进行研究。这种方法直接从实际数据出发，应用概率统计推断出市场未来的变化规律。虽然这种方法从经济学角度来讲缺乏理论性，但是在实际应用中效果较好。而且，统计方法还可以对经济模型的好坏进行检验和评价。
股市预测，是金融经济预测的一个重要分支。它对股票市场所反映的各种资讯进行收集、整理、综合等工作，从股市的历史、现状和规律性出发，运用科学的方法，对股市未来发展前景进行测定[11]。
1.3 回归的发展概况
回归分析方法通常分为线性和非线性回归方法两大类，其中线性回归方法己经发展成为数理统计学的一个相对成熟的重要分支之一，并被广泛应用于经济学、社会科学、工程技术和生物学等许多领域当中，进行各专业指标变量的统计分析和预测控制，并取得可喜成绩。随着回归分析方法研究的逐步深入以及具体实践遇到的大量复杂的非线性问题，在线性统计的基础上，非线性回归分析研究也逐渐发展起来并成为处理非线性问题的主要手段之一，起到传统线性回归方法不可替代的重要作用。
统计学理论的预测方法，主要是基于模型拟合和最小二乘原理建立各种回归、自回归、混合回归模型进行预测。此类方法，具有严格的数学基础，应用也最广泛，近年也有相当的发展。
如Nelder，JA和城dderburn，R·w·M提出了广义线性模型[13]，它放松了经典线性模型的假设，极大地丰富了回归分析的理论。Aarno，Li和Duan对假设进一步放松，提出了一般回归模型，该领域研究具有十分惊人的前景，但由于其仅能辨识参数的方向，应用起来十分不便，仅能对建模提供指导。在计量经济研究中，Ichimura则提出了一类十分重要的模型一单指标模型。研究的重点在于使之更适合于实际社会经济系统建模。
非参数建模，数据驱动式建模所考虑的重要问题是，在事先对模型完全不了解的情况下，如何提出一个适当的模型。这方面研究的一个重要论题是非参数建模。Friedman和Stuetzle提出了pp回归模型;Breioan和Friedman提出了建模
的ACE方法，Hastie和TibS于lirani提出了广义加性模型；Buja，Hastie和Tibshiran对加性建模进行了全面的评述与讨论;Breiman提出了高维数据建模的MARS方法。它们共同的特点是模型形式灵活，建模过程涉及很少假定。但计算量大，解释困难，在指导变量选择及模型设定方面深入的研究是必不可少的。
至于估计问题，NL2SLS(非线性二阶段最小二乘)、NL3SLS(非线性三阶段最小二乘)和NLFIML(NLLIML)(非线性完全(有限)信息极大似然)估计方法是通常采用的方法，AmemiyA和Gallani均给予了总结与评述[14]。解决的关键在于辅助变量的选取，另外，有效初始点设置及考虑全局最小参数估计一方法的研究也是值得考虑的。
1.4 文章结构
首先介绍论文研究背景和研究的可行性，并讨论了回归的简单发展。股票预测已成为越来越多的股民和学者关注的问题，股票理论的可预测性被越来愈多的人认可。回归分析和非线性回归分析已越来越广泛的使用于股票研究中，进行不断的研究和改善，意图得到更稳定更符合规律的算法结构。
其次对各种预测方法进行了简单的概述介绍。包括理论定义和基本算法，并简单阐述了各种预测方法的优缺点。可以看到各种方法都有它的优缺点和需要注重改善的地方。各种预测方法的对比中，可以发现回归分析预测有操作简单，容易理解等方面的优点，但也有选不准自变量的困扰。
再次仔细介绍了回归分析的两部分，线性回归分析和非线性回归分析算法的算法结构步骤和具体算法，从最基本的一元线性回归分析着手，介绍与一元线性回归分析算法相似度跟高的多元线性回归，并进一步的引出非线性回归分析，提出非线性回归分析的分析结果依赖于人为地设定出合理的期望函数和接近真实的初估值的缺点。
最后，实例分析中简单讨论了数据处理的方法步骤，解决数据来源，选定八一钢铁历史数据数量95期，分别做了线性和非线性回归分析的程序对比，线性回归分析中使用matlab程序以开盘价、最高价、最低价、成交额、成交量为自变量，做出多元线性回归函数，并进行相关性程度分析，进行了10期收盘价格预测；非线性回归模型中，实现通过对每日收盘价的统计和规范化建立使用garch 模型，先对数据进行差分规范化，使得数据达到平稳序列，绘制时序图，确定
随机波动比较平稳，考查差分后序列的自相关图确定其相关性，建立模型，检验模型，实现模型拟合成功后成功预测10天的预测收盘价，数据用程序处理成功。
第2章预测方法概述
预测作为一门实用学科,它所研究的内容就是如何对未来事物的发展进行科学的估计。所谓经济预测,就是指人们根据对客观经济发展事物及规律的认识,在观察和分析经济发展过程的历史与现状的基础上,对未来的经济发展趋势做出合理的判断和估计。以个别经济单位生产经营发展的前景作为考察对象,研究其各项有关指标之间的联系和发展变化状况的,则属于微观经济预测,如对工业企业所生产的具体商品的生产量、需求量和市场占有率的预测等。微观经济预测,是企业制定生产经营决策以及编制和检查计划的依据。
经济预测的方法大体可分为两大类：一类是定性分析法(又称经验判断法),它是人们通过对事物的性质、特点和已占有情况的分析,依靠主观判断和逻辑分来析预测事物未来发展状况的其结果只是定性描述和大体估计。常用的定性预测方法有:市场调查预测法、专家评估法、主观概率法等。另一类是定量分析法(又称分析计算法),它是人们利用已占有的基础数据资料,通过建立数学模型进行计算来预测事物未来发展状况的,其结果则比较明确和具体。
随着时代的发展，数学被越来越多的应用到金融中。它也给金融带来了一场革命。其中最受人瞩目的莫过于金融工程、定量投资以及风险管理。基于以上理论，除了传统的股票投资分析方法以外，近年来又发展了许多新的股市预测方法，并且取得了很好的效果[7]。
2.1 趋势分析法
趋势分析法也称趋势曲线分析、曲线拟合或曲线回归，是根据已知的历史资料来拟合一条曲线，使得这条曲线能反映负荷本身的增长趋势，然后按照这个增长趋势曲线，对要求的未来某一点估计出该时刻的负荷预测值。
常用的趋势模型有线性趋势模型、多项式趋势模型、线性趋势模型、对数趋势模型、幂函数趋势模型、指数趋势模型、逻辑斯蒂(logistic)模型、龚伯茨(gompertz)模型等，寻求趋势模型的过程是比较简单的，这种方法本身是一种确定的外推，在处理历史资料、拟合曲线，得到模拟曲线的过程，都不考虑随机误差。
采用趋势分析拟合的曲线，其精确度原则上是对拟合的全区间都一致的。在很多情况下，选择合适的趋势曲线，确实也能给出较好的预测结果。但不同的模型给出的结果相差会很大，使用的关键是根据地区发展情况，选择适当的模型。
2.2 时间序列法
时间序列，也叫时间数列、历史复数或动态数列。它是将某种统计指标的数值，按时间先后顺序排到 所形成的数列。时间序列预测法就是通过编制和分析时间序列，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间或以后若干年内可能达到的水平。
设i x 为时间序列中时点i 的观测值,其样本为N ；每次移动地求算术平均值所采用的观测个数为n;则在第t 时点的移动平均值1M 为
∑+-=----=++++=t
n t i i n t t t t x n x x x x n M 1
12111)(1 (2-1) 式中 t M ——第t 时点的移动平均值，也可当做
第t+1时点的预测值1+t y ，即
t T M y =+1,1-=t t M y (2-2) 由（2-2）式可导出： ()n t t n t n t t t t x x n
x x x x n M -------++++=
1)(1121 (2-3) 即得)(11n t t T t x x n M M ---+= (2-4) 由(2-4)可见,在计算各时的移动平均值过程中,若已算得1-t M ,则用(2-4)式较易于迭代计算出1M
2.3 灰色预测法
灰色预测法是一种对含有不确定因素的系统进行预测的方法。灰色预测模型称为GM 模型，GM(1,1)表示一阶一个变量的微分方程型预测模型。GM （1,1）是一阶单序列的线性动态模型。
设有数列)1()0(x ，)2()0(x ，…, )()0(n x
对)0(x 作累加生成,得到新的数列)1(x ,其元素
)()(00)
1(n x i x i
n ∑== n i ,...,2,1=(2-5) 对数列)1(x ,可建立预测模型的白化形式方程
μ=+)1()
1(ax dt
dx (2-6) 式中:μ,a ---为待估参数.分别称为发展灰数和内生控制灰数.设a
?为待估参数向量,则
??
????=μa a ? 最小二乘法求解,有：n T T y B B B a
1)(?-= (2-7) 式中：????????
??????????+--+-+-=1))()1((211))3()2((211))2()1((21)1()1()1()1()1()1(n x n x x x x x B (2-8) T n n x x x y )](,),3(),2([)0()0()0( = (2-9)
将(2-7)式求得的a
?代入(2-6)式,并解微分方程,有GM(1,1)预测模型为： a x a x i x ai μμ+?????
?-=+-)1()1()0()1( (2-10) 灰色模型法使用短期数据得到的结果比较占优，但是使用长数据列得到的结果与其它相比，并不占优，数据列过长，系统受干扰的成分多，不稳定因素大，反而易使模型精度降低，降低预测结果的可信度。
2.4 模糊数学法
模糊推理是在模糊逻辑基础上对模糊命题进行演绎和归纳推理，以完成具有象人一样的近似判断能力的工作。模糊推理的句型表达如下:
规则:如果1x 是1A ，且2x 是2A ，…，且n x 是n A ;那么Y 是B 。
前提:如果1x 是'1A ，且2x 是'2A ，…，且n x 是'n A
结论:那么Y 是B
简记为:B A A A →∧∧∧221
'∧∧'∧'n A A A 21结论为B '
其中X ，、Y 为被研究对象的名称，n 为被研究对象的个数。i A 、B 分别是论域i A 、Y 上的模糊子集，”∧”表示”且”运算，给出建立在推理规则上的逻辑运算。
2.5 回归分析法
回归预测可以说是最为古老同时又应用得最为广泛的一种定量预测方法，是处理多变量相依关系的一种统计方法，它是数理统计中应用最为广泛的一种方法之一。
它的基本思想是分析预测对象与有关因素的相互关系，选择适当的回归模型（即回归方程）表达出来，然后再根据数学模型预测其未来状态。
然而在许多实际问题中，由于各种关系错综复杂，要精确的建立变量间数学表达式又特别困难，同时很多变量之间还受到其它偶然因素的影响，使得这些变量之间的关系具有不确定性。
回归分析方法就是在大量观测数据的基础上，找出这些变量之间的内部规律，从而定量的建立起一个变量与其它变量的数学表达式。因此简单说来，回归分析就是研究一个变量与其它变量之间关系的一种统计方法，由于有较为严密的理论基础和较成熟的计算分析方法，所以，如果模型建立得当，则可得到比较精确的预测结果。常用的回归模型是多元线形回归模型（一元线性回归模型只是多元线性模型的一个特例）和多元非线形回归模型[3]。
第3章 回归分析
回归预测方法是以相关性原理为基础的预测方法，是数理统计中回归分析方法在预测中的应用。从市场现象之间的因果关系出发，通过建立回归预测模型，根据一种或几种现象的变化去推测另一种现象变化的一种定量预测法。
在经济预测中，人们把预测对象当作因变量，把那些与预测对象有关的因素当作自变量，收集自变量的充分数据，应用相关分析和回归分析求得回归方程，并利用回归方程进行预测。
在回归预测中，预测对象y 是一个随机变量，与之相关的普通变量x 或一组普通变量1x ，2x ，3x …，n x 称为自变量。如果对于自变量的每一个取值或每一组取值，预测对象y 的取值都有相应的分布。但由于变量间关系的复杂性或由于统计数据、试验数据不可避免地存在随机误差而使它们之间的关系带有不确定性，使预测者无法得到描述它们之间关系的精确的数学表达式，那么，就需要用回归分析的方法，通过大量的统计数据或试验数据，寻找它们之间潜在的统计规律性，并以回归方程做出描述。根据回归方程，就可以由一个或多个自变量的给定值对预测对象做出估计和预测。
回归预测法中的自变量与因变量之间，有的属于因果关系，有的属于伴随关系。不能认为只有因果关系才能进行回归预测，实际上伴随关系也是一种相关关系，只要收集大量的足够的资料，也可以用回归预测法进行预测。在回归预测法中，自变量不是随机的或者是给定的，这与相关分析中自变量有所区别。相关分析中的自变量是随机的。
由于回归分析方法有较严密的理论基础和较成熟的分析、计算方法，同时，各种社会现象都普遍地与某些因素存在着不同程度的相关关系，所以回归预测方法在股票市场的预测中得到广泛的应用[6]。
以下则初步介绍怎样运用回归分析的方法描述这种关系，并据此进行股票市场预测。
3.1 线性回归分析
3.1.1 一元回归模型
应用回归分析法进行经济预测的关健就是建立回归方程当一个自变量与因变量(即预测对象)之间相关关系的统计规律呈线性关系时,就称其为一元线性回归。一元线性回归分析预测法,就是处理一个自变量与因变量间线性关系的一种用途很广的方法。
该方法简单、适用,可用于处理有因果关系的经济方面的统计数据。 一元线性回归的基本模型为:
bx a y
+=? 其中，y 为预测对象少的估计值。
x 为自变量，是预测对象的相关因素；
a.b 为回归系数，回归直线由回归系数来确定。
a 和
b 应满足条件：使回归线在总体上与各个数据点最为接近。回归系数a 、b 是根据最小二乘法和已知的样本资料求出的,其求解结果是：
∑∑∑∑∑∑∑∑∑---=--=-*-=21
1
122
11121211111)())(()()(11x x y y x x x n x y x n y x x n x y x n y x b x b y a -=
式中:i x ,i y 分别为自变量x 和预测对象y 的统计数据，x
?，y ?分别为x 和y 所取统计数据的平均值。按上述公式求出回归系数a 和b 后即可确定回归方程。根据回归方程，可以由给定的自变量的取值x ，对预测对象少的取值做出预测。
线性回归预测是在假定y 与x 之间存在着线性关系的条件下进行的。线性回归预测模型能否做出较好的预测，这取决于y 与x 之间呈线性关系的近似程度。
y 与x 之间在多大程度上可以近似地认为它们之间存在着线性关系，不能仅凭散点的分布直观判断，还应当通过相关性检验做出定量判断。
相关性检验是根据y 与x 的相关系数来判断它们之间的线性关系。相关系数r 的绝对值r 越接近于1，则y 与x 越接近于线性关系。r 越接近于零，则y 与
实验四（1）用Excel作一元线性回归分析 实验名称：回归分析 实验目的：学会应用软件实验一元线性回归，多元线性回归和非线性回归模型的求解及应用模型解决相应地理问题。 1 利用Excel进行一元线性回归分析 第一步，录入数据 以连续10年最大积雪深度和灌溉面积关系数据为例予以说明。录入结果见下图（图1）。 图1 第二步，作散点图 如图2所示，选中数据（包括自变量和因变量），点击“图表向导”图标；或者在 “插入”菜单中打开“图表（H）”。图表向导的图标为。选中数据后，数据变为蓝色（图2）（office2003）。插入-图表（office2007)
图2 点击“图表向导”以后，弹出如下对话框（图3）： 图3 在左边一栏中选中“XY散点图”，点击“完成”按钮，立即出现散点图的原始形式（图4）：
图4 第三步，回归 观察散点图，判断点列分布是否具有线性趋势。只有当数据具有线性分布特征时，才能采用线性回归分析方法。从图中可以看出，本例数据具有线性分布趋势，可以进行线性回归。回归的步骤如下： ⑴ 首先，打开“工具”下拉菜单，可见数 据分析选项（见图5） （office2003）。数据-数据分析（office2007) ： 图5 用鼠标双击“数据分析”选项，弹出“数据分析”对话框（图6）：
图6 ⑵然后，选择“回归”，确定，弹出如下选项表（图7）： 图7 进行如下选择：X、Y值的输入区域（B1:B11，C1:C11），标志，置信度（95%），新工作表组，残差，线性拟合图（图8-1）。 或者：X、Y值的输入区域（B2:B11，C2:C11），置信度（95%），新工作表组，残差，线性拟合图（图8-2）。 注意：选中数据“标志”和不选“标志”，X、Y值的输入区域是不一样的：前者包括数据标志： 最大积雪深度x(米)灌溉面积y(千亩) 后者不包括。这一点务请注意（图8）。
题目：江中药业股票分析报告 学 专业：12统计1 学号：1211112124 姓名；杨明声 2013年5月16日 目录 一．公司所处行业和发展周期 二．公司竞争地位和经营管理情况分析 三．公司财务分析 四．公司未来发展前景和利润预测 五．发现公司已存在或潜在的重大问题 六．结合市盈率指标选股
江中药业股票分析报告 我国沪深股市发展至今已有上千只A股，经过十年的风风雨雨，投资者已日渐成熟，从早期个股的普涨普跌发展到现在，已经彻底告别了齐涨齐跌时代。从近两年的行情分析，每次上扬行情中涨升的个股所占比例不过1/2左右，而走势超过大盘的个股更是稀少，很多人即使判断对了大势，却由于选股的偏差，仍然无法获取盈利，可见选股对于投资者的重要。 那么如何选择一只股票呢？需要考察哪些技术指标呢？ 选股的基本策略是：价值发现，选择高成长股，技术分析选股，立足于大盘指数的投资组合（指数基金）。基本分析选股，就是要进行 公司所处行业和发展周期分析，公司竞争地位和经营管理情况分析，公司财务分析，公司未来发展前景和利润预测，发现公司已存在或潜在的重大问题，结合市盈率指标选股。 以江中药业为例，具体分析一下它的价值。 一．公司所处行业和发展周期 任何公司的发展水平和发展的速度与其所处行业密切相关。一般来说，任何行业都有其自身的产生、发展和衰落的生命周期，行业经历这四个阶段的时间长短不一 通常人们在选则个股时，要考虑到行业因素的影响，尽量选择高成长行业的个股，而避免选择夕阳行业的个股品牌，江中药业之后经历了11年的高速成长期，目前已进入成熟期，它的股价，也在几年中经历了十余倍的狂飚后稳定下来。又如沪市中的大盘股新钢矾，虽然属于被认为是夕阳行业的钢铁行业，但是由于自身良好的经营和管理水平，98年实现了净利润增长超过100％的骄人业绩，说明夕阳行业中照样可以出现朝阳企业。以上事实表明，行业发展周期和公司自身的发展周期有时可能差别很大，投资者在选股时既要考虑行业周期，又要具体问题具体分析。 在我国，由于公司的一般规模较小，抗风险能力较弱，企业的短期经营思想比较浓厚，要想获得长期持续稳定的发展难度较大，上市公司中往往昙花一现者较多，但江中药业公司规模较大 二．公司竞争地位和经营管理情况分析 市场经济的规律是优胜劣汰，无竞争优势的企业，注定要随着时间的推移逐渐萎缩及至消亡，只有确立了竞争优势，并且不断地通过技术更新、开发新产品等各种措施来保持这种优势，公司才能长期存在，公司的股票才具有长期投资价值。决定一家公司竞争地位的首要因素是公司的技术水平，其次是公司的管理水平，另外市场开拓能力和市场占有率、规模效益和项目储备及新产品开发能力也是决定公司竞争能力的重要方面。对公司的竞争地位进行分析，可以使我们对公司的未来发展情况有一个感性的认识。除此之外，我们还要对公司的经营管理情况进行分析，主要从以下几个方面入手：管理人员素质和能力、企业经营效
农民收入影响因素的多元回归分析 自改革开放以来,虽然中国经济平均增长速度为9.5 % ,但二元经济结构给经济发展带来的问题仍然很突出。农村人口占了中国总人口的70 %多,农业产业结构不合理,经济不发达,以及农民收入增长缓慢等问题势必成为我国经济持续稳定增长的障碍。正确有效地解决好“三农”问题是中国经济走出困境,实现长期稳定增长的关键。其中,农民收入增长是核心,也是解决“三农”问题的关键。本文力图应用适当的多元线性回归模型,对有关农民收入的历史数据和现状进行分析,寻找其根源,探讨影响农民收入的主要因素,并在此基础上对如何增加农民收入提出相应的政策建议。 一、回归模型的建立 (1) 数据的收集 根据实际的调查分析，我们在影响农民收入因素中引入3个解释变量。即: X财政用于农业的支出的比重， X-乡村从业人员占农村人口的比重， X -2-34 农作物播种面积 y X2 X3 X4 乡村从业人员78年可比财政用于农业农作物播年份占农村人口的价的支出 的比重种面积比重 1989 196.76 9.42 49.23 146553.9 1990 220.53 9.98 49.93 148362.3 1991 223.25 10.26 50.92 149585.8 1992 233.19 10.05 51.53 149007.1 1993 265.67 9.49 51.86 147740.7 1994 335.16 9.2 52.12 148240.6 1995 411.29 8.43 52.41 149879.3
1996 460.68 8.82 53.23 152380.6 1997 477.96 8.3 54.93 153969.2 1998 474.02 10.69 55.84 155705.7 1999 466.8 8.23 57.16 156372.8 2000 466.16 7.75 59.33 156299.9 2001 469.8 7.71 60.62 155707.9 2002 468.95 7.17 62.02 154635.5 2003 476.24 7.12 63.72 152415 2004 499.39 9.67 65.64 153552.6 2005 521.2 7.22 67.59 155487.7 (1) 回归模型的构建 Y=ββX+βX+βX+u i1+223344i 二、回归模型的分析 (1) 多重共线性检验 a系数 非标准化系数标准系数共线性统计量模型 B 标准误差试用版 t Sig. 容差 VIF 1 (常量) -2983.479 803.141 -3.715 .003 X2 -14.221 15.007 -.141 -.948 .361 .579 1.726 X3 5.201 3.760 .258 1.383 .190 .368 2.717 X4 .021 .006 .614 3.677 .003 .459 2.177 a. 因变量: y 表1 多重共线性是指解释变量之间存在相关关系，判断解释变量之间的多重共线性一般可看方差膨胀因子VIF和容忍度这两个指标，如果解释变量之间存在多重共线性，一般采用逐步剔除VIF最大的解释变量来消除解释变量之间多重共线性的问
有问题到淘宝找“大数据部落”就可以了 股票实际价格和预测价格差异分析 摘要：主要思路为了准确的估计股票价格,了解股票的一般规律,更好的为资本市场提供参考意见和帮助股民进行投资股票作出正确的决策,本文从股票价格指数与整个经济环境角度出发,采用多元回归分析方法,应用月度时间序列数据,通过选取综合反映股票市场上所有公司股票价格整体水平的指标建立了线性回归模型,得出了股票价格趋势变动的影响因素. 关键词：回归模型；指数模型；股票价格；预测 一、引言 主要思路为了准确的估计股票价格，本文从股票价格指数与整个经济环境角度出发,采用多元回归分析方法,应用月度时间序列数据建立了线性回归模型,具体分析步骤： 1.关系分析 基于以上原理,为大致了解股票价格与诸因素之间的关系,先分别绘制股票价格与各个因素之间的散点图,并分析它们之间的关系.股价用上证A股指数来表示,这样可以减少人为因素对股票价格的影响,尽量将注意力集中在我们假设选用的自变量上.我们采用的数据是2012年和2015年上半年的月度数据,分析影响我国股市趋势的因素。之所以选取2012年和2015年7月的统计资料是基于以下两点考虑：中国股市发展时间较短,采用年度数据会因为样本量太小而使得回归分析失去意义;数据取得的存在较大难度,因季度数据不全而只能选取月度数据.因此选取2012年和2015年7月份月度数据作为样本. 2.指数平滑时间序列预测模型 3.选择多项式回归模型 3.1变量选取通过向前向后逐步迭代回归模型筛选出显著性较强的变量进行回归建模。 3.2显著性检验根据F值和p值统计量来判断模型是否具有显著的统计意义。 3.3拟合预测使用得到的模型对实际数据进行拟合和预测。
基于神经网络的股票价格走势预测及其MATLAB实现 摘要 伴随着我国经济的高速发展和广大投资者日益旺盛的需求，股票投资已经成为一种常见的投资手段，而股票价格预测也逐渐成为广大投资者关心和研究的重点问题。股票价格的波动是一个高度复杂化的非线性动态系统，其本身具有诸如大规模数据、噪声、模糊非线性等特点。针对这些特点本文在深入分析股票市场实际预测中所面临的关键问题和比较各种已有的股票预测方法的基础上，探讨运用神经网络这一人工智能工具，研究基于历史数据分析的股票预测模型。 神经网络是建立在对大规模的股票历史数据的学习仿真的基础上，运用黑盒预测方式找出股市波动的内在规律，并通过将其存储在网络的权值、阈值中，以此来预测未来短期或是中长期的价格走势。 关键字：神经网络，股票，预测，MATLAB工具箱 ABSTRACT Along with the economy growth and increasingly strong demand of many investors in our country, stock has become a common means of investment, and stock price forecast has greatly been one of the focuses of study topic. The change of stock price is a highly complicated nonlinear dynamic system, itself has many characteristics such as massive data, noise, fuzzy and nonlinear. This article analyses the key issues being existent in the real stock market prediction and compares various existing stock forecasting methods. We will try to research on stock price prediction model based on a neural network with huge historical data. Neural network is based on studying massive historical data, uses the black box of forecasting ways to find the internal disciplinarian of stock market, and stores them in the weights and valves values of the neural network for predicting the short-term or long-term trend in the future. KEYWORD：Neural networks, Stock, prediction, MATLAB toolbox
股票预测模型【运用ARIMA模型预测股票价格】 [摘要]ARIMA模型是时间序列中十分常见和常用的一种模型，应用与经济的各个领域。本文基于ARIMA模型，采用了莱宝高科近67个交易日的数据，对历史数据进行分析，并且在此基础上做出一定的预测，试图为现实的投资提供一些参考信息。[关键字]ARIMA模型；股价预测；莱宝高科一、引言时间序列分析是从一段时间上的一组属性值数据中发现模式并预测未来值的过程。ARIMA模型是目前最常用的用于拟合非平稳序列的模型，对于满足有限参数线形模型的平稳时间序列的分析，ARIMA在理论上已趋成熟，它用有限参数线形模型描述时间序列的自相关结构，便于进行统计分析与数学处理。有限参数线形模型能描述的随机现象相当广泛，模型拟合的精度能达到实际工程的要求，而且由有限参数的线形模型结构可推导出适用的线形预报理论。利用ARIMA 模型描述的时间序列预报问题在金融，股票等领域具有重要的理论意义。本文将利用ARIMA模型结合莱宝高科的数据建立模型，并运用该模型对莱宝的股票日收盘价进行预测。二、ARIMA模型的建立 2.1ARIMA模型简介ARIMA是自回归移动平均结合模型的简写形式，用于平稳序列或通过差分而平稳的序列分析，简记为ARIMA(p,d,q)用公式表示为：△dZt=Xt=ψ1Xt-1+ψ2Xt-2+?+ψpXt-p+at-θ1at-1-θ2at-2-?-θqat-q 其中，p、d、q分别是自回归阶数、差分阶数和滑动平均阶数；Zt是时间序列；Xt是经过d阶差分后的时间序列值；at－q是时间为t－q的随机扰动项；ψp、θq分别是对应项前的系数。 2.2模型建立流程(1)平稳性检验以2010－3－4到2010－6－10的“莱宝高科”(002106)股票的收盘价作为模型的数据进行建立时间序列模型：做出折线图观察数据的特征：进行单位根检验，判别序列是否为平稳序列；若一阶差分后的数据为平稳序列，可以建立时间序列模型。说明原数据为一阶单整。(2)模型的选择和参数的估计根据数据的平稳性特征，初步确定建立ARIMA模型。观察一阶差分以后的序列的自相关函数和偏自相关
龙源期刊网 https://www.doczj.com/doc/5b3372214.html, 基于线性回归模型的股票影响因素研究 作者：刘思岐 来源：《全国流通经济》2020年第05期 摘要：随着时代的发展与进步，人们手中的资金增多，人们将资金逐渐从房地产转到股市。由于股票的波动性较大，对于投资者以及相关公司的影响也较大。本文主要通过以通用电气公司为例，研究标准普尔500指数、消费者价格指数和利率对股票的影响，并通过搜集通用电气公司股票收盘价、标准普尔500指数、CPI和利率，进行多元线性回归模型的研究。通过研究，得出影响股票的主要因素为标准普尔500指数、CPI和利率。通过这种方式，可得出影响股票的其他因素。当影响因素发生变化时，消费者可以提前对股价的增长做出判断，并进行买卖，同时可以规避风险，减少损失。 关键词：标准普尔500指数;CPI;市盈率;利率 中图分类号：F832.5;文献识别码：A文章编号： 2096-3157（2020）05-0162-03 一、前言 1.研究背景 1927年8月，美联储采取了贴现率下调的措施，使人们贷款所需还的利息减少，贷款变 得更容易，本想借此促进贸易增长，却不料使股票市场持续升温，整个美国陷入股票热潮。随着越来越多的资金流入股市，股票的发展达到了顶峰，随之而来的就是股市的崩盘。1928年6月，股市出现大幅下跌的情况。许多大型公司股价迅速下跌，股民们和公司蒙受到了巨大的损失，例如贾尼尼公司，在经济方面遭受大量损失最终导致破产，美国的贸易发展受阻。2008年，美国经济陷入紧张阶段。贷款变难，意味着人们贷款购房的压力增大，这导致人们不再热衷于贷款买房。许多人贷款金额较高却不能按期还清债务，银行收回大量房屋，却没有足够的资金使银行再次运转起来。房屋供给量大大高于需求量，房价大幅的下跌和人们的大量卖房使得房价滚雪球式下降。次贷危机的爆发引发了严重的影响。大量银行由于无法及时收回贷款以及大量储蓄者取走存入的资金而纷纷倒闭，引发了金融界的恐慌。标准普尔500指数下跌了39%，纳斯达克指数下跌41%，大量公司受损严重，例如两大房贷巨头“房利美”和“房地美”，
2012年A股市场涨跌预测 摘要 本文主要解决了预估未来一年时间内A股市场的涨跌变化的问题。 首先通过收集2011年的上证A股指数每天开盘后的收盘价，对其进行分析处理，作出A股收盘价指数的走势图观察后，然后对数据作级比分析，得知一部分级比数据不在区间() 0.9474中，故先对数据进行变换，变换后的数据 , 1.0555 的级比都落在了上述区间中。然后通过分析建立灰色预测)1,1( GM模型，代入数据求解模型，并进行参数检验，先进行残差检验，得出预测模型的精度为：96.69%；然后进行相关度检验，检验合格；但是在进行后验差检验中的小概率检验时不合格，故又对模型进行残差修正后，用修正模型预测出2012年的上证A股指数的收盘价，但是由于灰色预测模型在预测长期数据时误差有可能增大，故用2011年的实际数据与用灰色预测模型预测2011年收盘价值之间的误差值修正了2012年A股指数的预测值。为使预测值更准确，又采用了马尔科可夫链模型预测出每天的涨幅情况来进一步修正预测值，得到了更精确的预测结果。预测上证A 股指数在2012年233天的收盘价分别为：2236.5 2221.5…1574.7 1601.9。其收盘价走势图为： 关键词：A股灰色预测马尔可夫链模型预测
问题重述 未来一年时间A股市场涨跌的评估预计 A股即人民币普通股票，是中国大陆机构和个人投资的主要股票。A股市场的涨跌受经济形势，国家政策，外部环境以及投资者心态等多个因素影响。2011年A股市场的上证指数和深成指数都出现暴跌，使投资者蒙受了很大的损失。 请查阅网上的资料和数据。建立数学模型，定量分析并预估未来一年时间内A股市场的涨跌变化。 符号说明 α----------为发展灰度数 μ---------为内生控制灰度 )(t X------表示在时间244 ... 2,1 ,= t t时的股票收盘价 r----------表示关联度 S1-------- 表示序列)(t X的标准差 S2--------表示绝对误差序列的标准差 C----------表示方差比 A i---------表示对数据划分区间,244) 1,2, (i? = p ij --------表示第i状态转移到第j状态的概率18 .... 2,1 ,= j i I0------------表示时刻0处于状态18 ... 2,1 = j的概率 i k j1+-----------表示经过k步转移后处于状态18 ... 2,1 = j的概率 模型假设 （1）运用的数据的来源是有效的，在统计过程中无错误 （2）假设无人为操纵股市的走向,为随机数据 （3）假设2009年到2011年无统计数据的日期为股市休息日 模型分析 一、问题的分析 因为A股指数包括上证A股指数与深成A股指数，选择其中一个进行分析即可，所以就不妨选择上证A股指数2011年1月4日到2011年12月30日的每天
论文题目：股票价格回归分析报告 摘要：主要思路为了准确的估计股票价格,了解股票的一般规律,更好的为资本市场提供参考意见和帮助股民进行投资股票作出正确的决策,本文从股票价格指数与整个经济环境角度出发,采用多元回归分析方法,应用月度时间序列数据,通过选取综合反映股票市场上所有公司股票价格整体水平的指标建立了线性回归模型,得出了股票价格趋势变动的影响因素. 关键词：回归模型；指数模型；股票价格；预测 一、引言 主要思路为了准确的估计股票价格，本文从股票价格指数与整个经济环境角度出发,采用多元回归分析方法,应用月度时间序列数据建立了线性回归模型,具体分析步骤： 1.关系分析 基于以上原理,为大致了解股票价格与诸因素之间的关系,先分别绘制股票价格与各个因素之间的散点图,并分析它们之间的关系.股价用上证A股指数来表示,这样可以减少人为因素对股票价格的影响,尽量将注意力集中在我们假设选用的自变量上.我们采用的数据是2012年和2015年上半年的月度数据,分析影响我国股市趋势的因素。之所以选取2012年和2015年7月的统计资料是基于以下两点考虑：中国股市发展时间较短,采用年度数据会因为样本量太小而使得回归分析失去意义;数据取得的存在较大难度,因季度数据不全而只能选取月度数据.因此选取2012年和2015年7月份月度数据作为样本. 2.指数平滑时间序列预测模型 3.选择多项式回归模型 3.1变量选取通过向前向后逐步迭代回归模型筛选出显著性较强的变量进行回归建模。 3.2显著性检验根据F值和p值统计量来判断模型是否具有显著的统计意义。 3.3拟合预测使用得到的模型对实际数据进行拟合和预测。 4.分析得出结论得出各个自变量之间的关系，以及它们对因变量的影响极其经济意义。
基于时间序列分析的股票价格短期预测与 分析 姓名：王红芳数学与应用数学一班指导老师：魏友华 摘要 时间序列分析是经济领域研究的重要工具之一，它描述历史数据随时间变化的规律，并用于预测经济变量值。在股票市场上，时间序列预测法常用于对股票价格趋势进行预测，为投资者和股票市场管理方提供决策依据。本文通过各种预测方法的对比，突出时间序列分析的优势，从时间序列的概念出发介绍了时间序列分析预测法的基础以及其简单的应用模型。文中使用中石化股票的历史收盘价数据，运用时间序列预测法预测出中石化股票的后五个交易日的收盘价，通过对预测价格和实际价格做出对比，表明时间序列预测法的效果比较好。 关键词：时间序列；股票价格；预测
The short-term stock price prediction based on time series analysis Abstract: The analysis of time series is one of the important tools for researching in the field of economy, it describes the law of historic data with the time passing by and it is also used to predict the value of economic variables. In the stock market, the forecasting method of time series is commonly used to forecast the trend of stock price, and provide evidence of decision making for investors and managements. In the thesis, through the comparison of various forecasting methods to highlight the advantages of the analysis of time series, beginning with the concept of time series, I introduce the basic of forecasting method of the analysis of time series as well as its simple application model. in the paper, I use the historic closing price data of Sinopec shares and the forecasting method of time series to predict the Sinopec shares' closing price of the last five days, and by comparison between predicting price and actual price to show the good effect of the forecasting method of time series. Keywords: Time series; Stock price; Forecast
1、 多元线性回归在回归分析中，如果有两个或两个以上的自变量，就称为 多元回归。事实上，一种现象常常是与多个因素相联系的，由多个自变量的最优组合共同来预测或估计因变量，比只用一个自变量进行预测或估计更有效，更符合实际。 在实际经济问题中，一个变量往往受到多个变量的影响。例如，家庭消费支出，除了受家庭可支配收入的影响外，还受诸如家庭所有的财富、物价水平、金融机构存款利息等多种因素的影响，表现在线性回归模型中的解释变量有多个。这样的模型被称为多元线性回归模型。（multivariable linear regression model ） 多元线性回归模型的一般形式为： 其中k 为解释变量的数目，j β (j=1,2,…，k)称为回归系数（regression coefficient)。上式也被称为总体回归函数的随机表达式。它的非随机表达式为： j β也被称为偏回归系数（partial regression coefficient)。 2、 多元线性回归计算模型 多元性回归模型的参数估计，同一元线性回归方程一样，也是在要求误差平方和（Σe)为最小的前提下，用最小二乘法或最大似然估计法求解参数。 设（ 11 x ， 12 x ，…， 1p x ， 1 y ），…，（ 1 n x ， 2 n x ，…， np x ， n y ）是一个样本， 用最大似然估计法估计参数： 达 到最小。
把（4）式化简可得： 引入矩阵： 方程组（5）可以化简得： 可得最大似然估计值：
3、Matlab 多元线性回归的实现 多元线性回归在Matlab 中主要实现方法如下： （1）b=regress(Y, X ) 确定回归系数的点估计值 其中 （2）[b,bint,r,rint,stats]=regress(Y,X,alpha)求回归系数的点估计和区间估计、并检 验回归模型 ①bint 表示回归系数的区间估计. ②r 表示残差 ③rint 表示置信区间 ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r2、F 值、与F 对应的 概率p 说明：相关系数r2越接近1，说明回归方程越显著；F>F1-alpha(p,n-p-1) 时拒绝H0，F 越大，说明回归方程越显著；与F 对应的概率p<α 时拒绝H0，回归模型成立。 ⑤alpha 表示显著性水平(缺省时为0.05) （3）rcoplot(r,rint) 画出残差及其置信区间
基于多元线性回归的期权价格预测模型 王某某 （北京航空航天大学计算机学院北京100191）1 摘要：期权是国际市场成熟、普遍的金融衍生品，是金融市场极为重要的金融工具。2015年2月9日，上海证券交易所正式推出了我国首支场内交易期权——上证50ETF期权，翻开了境内场内期权市场的新篇章。50ETF期权上市以来，市场规模逐步扩大，其发展情况境外期权产品相同时期。本文以此为研究背景，以“50ETF购12月1.95”这支期权为研究对象，以今日开盘价、收盘价、最高价、最低价、结算价、成交量、成交额、持仓量、涨停价和跌停价为解释变量，通过多元线性回归模型，预测该期权的明日收盘价。本次研究以多元线性回归的全模型（模型1）为出发点，通过异方差检验、残差的独立性检验、误差的正太分布检验以及多重共线性检验，说明该模型不违反回归的基本假设条件。进而通过主成分回归（模型4）和逐步回归（模型5）进行降维，结果表明因变量与解释变量之间存在强烈的线性相关关系，且主成分回归和逐步回归相比全模型有更好的预测能力。 关键词：期权价格多元线性回归50ETF 多重共线性因子分析 一、引言 期权（option）是依据合约形态划分的一种衍生品，指赋予其购买方在规定期限内按买卖双方约定的价格（即协议价格或行权价格）购买或者出售一定数量某种金融资产（即标的资产）的权利的合约。期权购买方为了获得这个权利，必须支付给期权出售方一定的费用，称为权利金或期权价格[1]。 2015年2月9日，上海证券交易所正式推出了我国首支场内交易期权——上证50ETF，翻开了境内场内期权市场的新篇章。期权是与期货并列的基础衍生产品，是金融市场极为重要的金融工具之一。 自50ETF上市以来，市场规模逐步扩大。2015年2月日均合约成交面值为5.45亿元，12月就达到了47.69亿元，增长了7.75倍；2月日均合约成交量为2.33万张，12月就达到了19.81万张，增长了7.5倍；2月权利金总成交额为2.48亿元，12月就达到了35.98亿元，增长了13.51倍[1]。 我国股票市场有上亿的个人投资者，是一个较为典型的散户市场[1]。相较于专业投资机构讲，散户缺乏时间，精力以及专业分析，投资具有很大的投机行为。对于这些投资者来说，期权价格的变动则是他们最为关注的问题，其变化直接影响到自身的收益。在实际情况中，影响股票价格的因素很多，涉及到金融政策、利率政策以及国际市场等因素，其作用机制也相当复杂[2]。因此，对于期权价格预测的研究，则可以降低投资者的投资风险，及时调整投资结构，从而保障自身的收益。 1作者简介：王某某，北京航空航天大学研究生邮箱：bnuwjx@https://www.doczj.com/doc/5b3372214.html,。
一元线性回归分析的结果解释 1.基本描述性统计量 分析：上表是描述性统计量的结果，显示了变量y和x的均数(Mean)、标准差(Std. Deviation)和例数(N)。 2．相关系数 分析：上表是相关系数的结果。从表中可以看出，Pearson相关系数为0.749，单尾显著性检验的概率p值为0.003，小于0.05，所以体重和肺活量之间具有较强的相关性。 3．引入或剔除变量表
分析：上表显示回归分析的方法以及变量被剔除或引入的信息。表中显示回归方法是用强迫引入法引入变量x的。对于一元线性回归问题，由于只有一个自变量，所以此表意义不大。 4．模型摘要 分析：上表是模型摘要。表中显示两变量的相关系数(R)为0.749，判定系数(R Square)为0.562，调整判定系数(Adjusted R Square)为0.518，估计值的标准误差(Std. Error of the Estimate)为0.28775。 5．方差分析表 分析：上表是回归分析的方差分析表(ANOVA)。从表中可以看出，回归的均方(Regression Mean Square)为1.061，剩余的均方(Residual Mean Square)为0.083，F检验统计量的观察值为12.817,相应的概率p 值为0.005，小于0.05，可以认为变量x和y之间存在线性关系。
6．回归系数 分析：上表给出线性回归方程中的参数(Coefficients)和常数项(Constant)的估计值，其中常数项系数为0(注：若精确到小数点后6位，那么应该是0.000413)，回归系数为0.059，线性回归参数的标准误差(Std. Error)为0.016,标准化回归系数(Beta)为0.749，回归系数T检验的t统计量观察值为3.580，T检验的概率p值为0.005，小于0.05，所以可以认为回归系数有显著意义。由此可得线性回归方程为： y=0.000413+0.059x 7．回归诊断 分析：上表是对全部观察单位进行回归诊断(Casewise Diagnostics-all cases)的结果显示。从表中可以看出每一例的标准
案例 1 “深发展”和“四川长虹”两只股票的相关分析及趋势预测 一、案例简介股市的走势是所有股票投资者关注的问题,同时股市走势还是经济走势的“晴雨表”。怎样选择一种简易而有效的方法对股票市场的大盘指数和个股行情走势进行预测,是众多股民普遍关注并急待解决的问题。本案例以“深发展”和“四川长虹”两只股票为例进行相关分析,观察二者之间变化的密切程度,然后分析是否可以依据某一只股票的价格变动来预测另一只股票的价格变动。在此基础之上,又以“深证指数”和“深发展”、“上证指数”和“四川长虹”从1994 年12 月29 日到1998 年3 月13 日期间的日收盘价格指数和日收盘价为原始数据, 试图通过几种方法的对比寻找一种较为简单而有效的方法,以此对股市的走势进行预测。 本案例采用典型的个股“深发展”,指的是深圳特区6 家城市信用社通过股份制改造组建而成的深圳发展银行。该银行于1987 年5 月向社会公开发行股票, 同年12 月8 日开业,1991 年4 月3 日在深圳证券交易所上市。另一个典型个股“四川长虹”即四川长虹电器股份有限公司。该公司属于电子行业,成立于1988 年7 月8 日,1994 年3 月11 日在上海政权交易所上市交易。在两者的发展历程中,业绩均连年增长较快,发展的潜力都很大,都对股市具有一定影响力,各自在大盘中占有较大权重,扮演着“领头羊”的角色。因此我们选择这两只股票进行观察和分析,目的是想研究能否用这两
只权重较大的个股的行情变化预测市场指数的走势,以及预测的准确度如何。 变量名及含义分别为(见表3-1): 表3-1 含义 把统计的基本分析和预测方法运用 于股市数据的分析和预测之中;掌握统计分析和预测方法在股市分析中的特殊性。 五、参考答案 对于案例中讨论的问题,可作多种解释和分析,以下答案可供参考:
计量分析软件课程论文 论文题目：基于多元线性回归模型的影响居民消费 水平相关因素分析 姓名：学号： 学院：专业： 联系电话： 年月日 基于多元线性回归模型的影响居民消费 水平相关因素分析 一、研究背景 中国GDP总量超越日本，成为仅次于美国的第二大经济体，但我国人均GDP 依然很低，全球排名87位，这很大程度上制约了居民消费水平的提高。到2020年实现全面建成小康社会的目标，十八大明确提出提高居民人均收入和人均消费水平，共享改革开放成果。我国居民消费水平在改革开放后有了很大提高，但消费水平依然很低，消费量占GDP比重依然很小。为此，本文旨在根据全国经济宏观政策、国内生产总值、职工平均工资指数、城镇居民消费价格指数、普通中学及高等学校在校生数、卫生机构数和基本设施铁路公路货运量等因素的变化情况，来分析如何提高居民消费水平，以判断是否能使居民消费水平有很大的提高。本文通过对1978-2010年影响居民消费水平因素数据的分析，找到影响居民消费水平的主要原因，通过计量经济分析方法来建立合理的模型，探讨影响居民消费增长的长期趋势规律，并给政府提出合理的建议，以提高居民消费水平。 二、影响居民消费水平的因素 宏观经济模型) + GDP- + + =,经济发展应该紧紧抓住消费这一 I (M C X G 驾马车，而居民消费水平的高低受制于多种因素。凯恩斯消费理论认为居民消费主要受收入影响，我国居民消费一直很低，消费意愿不强，本文通过计量分析找
到影响我国居民消费水平的主要因素，从根本上改善消费不足,促进我国经济的持续稳定健康发展。 消费分为居民消费和，居民消费包括农村居民消费和城镇居民消费。本文结合居民消费水平的影响因素，列出了国内生产总值、职工平均工资指数、城镇居民消费价格指数、普通中学及高等学校在校生数、卫生机构数和基本设施铁路公路货运量等相关因素，进行计量分析,得到回归模型。 三、居民消费水平模型的总体分析框架 （1）多元线性回归法OLS 概述[1] 回归分析是计量经济分析中使用最多的方法，在现实问题研究中，因变量往往受制于多个经济变量的影响，通过统计资料，根据多个解释变量的最优组合来建立回归方程预测被解释变量的回归分析称为多元线性回归法。其模型基本形式为： 其中0β、1β、2β、3β…k β是1+k 个未知参数，称为多元回归系数。Y 称为被解释变量，t X 1、t X 2、t X 3…kt X 是k 个可以精确测量和可控的一般解释变量， t μ是随机误差项。当2≥k 时，上式为多元线性回归模型。 （2）多元回归模型的建立 定义被解释变量和解释变量，被解释变量为居民消费水平(Y 元)，解释变量为国内生产总值(1X 亿元)、职工平均工资指数(2X )、城镇居民消费价格指数(3X )、普通中学及高等学校在校生数(4X 万人)、卫生机构数(5X 个)和基本设施铁路公路货运量(6X 万吨)。 （3）统计数据选取 本文所有数据均来自中国统计局和中国统计局外网中国统计年鉴。[2] 1978 184 21261 169732 195301 1979 208 175142 382929 1980 238 180553 493327 1981 264 190126 471336 1982 288 193438 492737 1983 316 196017 520197
摘要 回归分析预测被广泛应用于经济学、社会科学、工程技术和生物学等许多领域当中，进行各专业指标变量的统计分析和预测控制。本文从回归分析预测与其他预测方法的简单算法对比出发，系统的讨论了线性回归分析和非线性回归分析的基本算法，再以八一钢铁股票的历史价格为例，对比多元线性回归和非线性回归分析预测，得出非线性回归分析拟合能力更强、拟合优度更高的结论。 关键字：回归分析预测；非线性回归；线性回归；拟合度
Regression analysis in the stock of the use of forecast Abstract: The regression analysis forecast is widely applied in the economic, the social sciences, the engineering technology and the biology and so on the middle of many domains, carries on each specialized target variable the statistical analysis and the predictive control. This article embarks from the regression analysis forecast with other forecast technique's simple algorithm contrast, system's discussion linear regression analysis and non-linear regression analysis's primary algorithm, again take 81 steel and iron stock's historical price as the example, the contrast multi-dimensional linear regression and the non-linear regression analysis predict that obtained the non-linear regression analysis fitting ability to be stronger, a goodness of fit higher conclusion. Keywords: Forecast regression analysis，Non-linear regression，Linear regression，Fit
第四节股票预测相关理论 壹、市场效率假说 所谓市场效率假说（Efficient Capital Market）是指市场中所有可能影响股票涨跌的因素都能实时且完全反应在股票涨跌上面。依据Fama对效率市场理论存在的三个基本假设[Beja and Goldman,1980]、[Fama,1965]、[Fama,1970]、[Grossman and Stiglitz,1980]：〈一〉市场将立即反应新的信息，调整至新的价位。因此价格变化是取决于新信息的发生，股价呈随机走势。 〈二〉新信息的出现是呈随机性，即好、坏信息是相伴而来的。 〈三〉市场上许多投资者是理性且追求最大利润，而且每人对于股票分析是独立的，不受相互影响。 由效率市场理论延伸发展，Fama依市场效率性质提出弱势效率、半强势效率及强势效率，其分述如下[Beja and Goldman,1980]、[Fama,1965]、[Fama,1976]、[Grossman and Stiglitz,1980]： 一、弱势效率（Weak Form Efficiency） 目前股票价格已充分反应过去股票价格所提供各项情报。所以，投资人无法在运用各种方法对过去股票价格进行分析，在利用分析结果来预测未来股票 价格，意即投资者无法再利用过去信息来获得高额报酬。所以，弱势效率越高， 若以过去价量为基础的技术分析来进行预测效果将会十分不准确。 二、半强势效率（Semi-Strong Form Efficiency） 目前股票价格已充分反应于所有公开信息上，所以，投资者无法利用情报分析结果来进行股票价格预测而获取高额报酬。因此，半强势效率越高，依赖 公开的财务报表、经济情况及政治情势来进行基本面分析然后再预测股票价格
回归分析在股票价格预测中的应用 摘要：随着我国市场经济环境的日益成熟，股市规模的不断扩大，股票价格成为投资者、经济、系统科学领域研究的热点问题，影响股票价格的因素越来越多，预测未来的股票价格变得十分有必要。股票市场的价格数据呈时间序列，本文将运用Eviews软件对股票价格进行多元线性回归模型预测，以国电电力的历史价格为例，预测该股票的次日收盘价。通过对比消除共线性前后的两个模型对次日收盘价的预测结果，验证了利用主成分分析消除共线 性后的多元线性回归方程预测效果更好。 关键词：股票价格；Eviews；多元线性回归；主成分分析 Abstract:With the growing maturity of China's market economy environment, the scale of stock market is expanding.Stock price has become a hot topic in the field of investor, economy and system science.There are more and more factors influencing stock prices,so it is very necessary to predict future stock prices.The price data in stock market being time series,this article will use Eviews software to predict stock price by multiple linear regression model.Taking the historical price of Guodian power as an example,we predict the next closing price of the stock.By comparing the prediction results of the two models before and after collinearity to the closing price of the next day,it is proved that the effect of the multivariate linear regression equation after the use of principal component analysis is better than that of the multi linear regression equation after the elimination of the collinearity. Key words:Eviews; Multiple linear regression; Principal component analysis