基于时间序列分析的股票预测模型的研究

龙源期刊网

基于ＡＲＩＭＡ模型下的时间序列分析与预测

作者：万艳苹

来源：《金融经济·学术版》2008年第09期

摘要：大多数的时间序列存在着惯性，或者说具有迟缓性。通过对这种惯性的分析，可以由时间序列的当前值对其未来值进行估计。本文以1949年到2004年江苏省社会消费品零售总额数据为研究对象，将这些数据平稳化并做分析，发现ARIMA(1，1，2)模型能比较好的对江苏省社会消费品零售总额进行市时间序列分析和预测，。

关键词：ARIMA；江苏省消费品零售总额；时间序列分析

一、引言

江苏省是一个经济大省，经济一直保持平稳较快增长，城乡居民收入都位于全国前茅，消费品需求旺盛，人们生活水平比较高。其中社会消费品零售总额是反映人民生活水平提高的一个很好的指标。所以对社会消费品零售总额做分析就比较重要。但是影响社会消费品零售总额的因素有很多，包括收入、住房、医疗、教育以及人们的预期等很多因素，而且这些因素之间又保持着错综复杂的联系。因此运用数理经济模型来分析和预测较为困难。所以本文采用ARIMA模型对江苏省的社会消费品零售总额进行分析，得出其规律性，并预测其未来值。

二、ARIMA模型的说明和构建

ARIMA模型又称为博克斯-詹金斯模型。ARIMA模型是由三个过程组成：自回归过程(AR(p))；单整(I(d))；移动平均过程(MA(q))。AR(p)即自回归过程，是指一个过程的当前值是过去值的线性函数。如：如果当前观测值仅与上期(滞后一期)的观测值有显著的线性函数关系，则我们就说这是一阶自回归过程，记作AR(1)。推广之，如果当前值与滞后p期的观测值都有线性关系则称p阶自回归过程，记作AR(p)。MA(q)，即移动平均过程，是指模型值可以表示为过去残差项(即过去的模型拟合值与过去观测值的差)的线性函数。如：MA(1)过程，说明时间序列受到滞后一期残差项的影响。推广之，MA(q)是指时间序列受到滞后q期残差项的龙源期刊网

龙源期刊网

基于时间序列模型的股票价格因素分析

作者：陈雄伟

来源：《现代商贸工业》2016年第09期

摘 要：在吸收借国内外一些知名文献后，对影响股票价格的宏观经济因素进行了实证研究，最后选择股票价格指数、货币供应量等因素进行了分析。在此基础上构建时间序列模型，然后运用Eviews软件进行回归分析表明，得出方程并给出了政策建议。

关键词：股票价格指数；货币供给量；EVIEWS

中图分类号：F83

文献标识码：A

doi：10.19311/ki.1672-3198.2016.09.042

1 引言

股票价格指数是股票市场繁荣的重要指标之一，影响我国股票市场的总体水平程度高低，上市公司在股票价格、升跌幅度和交易量的大小，都严重影响着股票市场和投资者的投资情绪，而且指导监管机构的决策方向，受到很多人的关注，因此很有研究的意义。对股票价格指数影响因素的分析，预测股票价格走势，已成为学术界研究的热点之一。

2 时间序列模型的建立步骤

在建立时间序列模型的时候，首先还是要检验时间序列的平稳性，可利用DF或ADF检验单位根是否存在，若DF或ADF小于临界值，则时间序列平稳，否则时间序列为非平稳.当时间序列为非平稳时，需要对变量进行差分，直至随机差分序列平稳为止。

当时间序列或差分序列平稳后，就可以确定模型的类型，利用Eviews软件估计参数。

诊断检验.利用估计结果对模型参数进行显著性检验（t检验），以决定模型中相应变量的取舍；利用残差序列对模型的误差项进行平稳性检验，以决定所建立的模型是否平稳，

对模型进行误差修正。

3 上证综合指数的时间序列模型的建立与分析

3.1 上证综合指数时间序列的平稳性的单位根检验 龙源期刊网

华北科技学院毕业论文

I 目 录

摘要 ............................................................. III

ABSTRACT ......................................................... III

第1章 绪论 ...................................................... 1

1.1研究背景及意义 ................................................ 1

第2章 股票价格预测理论与方法 .................................... 2

2.1股票基础知识 .................................................. 2

2.2 股票预测理论的发展 ............................................ 3

2.3股票预测分析的传统方法 ........................................ 4

第3章 时间序列分析的理论与方法 .................................. 6

3.1时间序列分析发展历史 .......................................... 6

3.2时间序列分析方法概述 .......................................... 7

3.3 随机时间序列分析的特性分析 .................................... 9

3.3.1 随机过程的基本概念 ....................................... 9

龙源期刊网

基于时间序列分析的全国ＧＤＰ预测模型

作者：周 璇

来源：《消费导刊·理论版》2009年第13期

[摘 要]本文利用统计软件对我国1978年到2006年的实际GDP时间序列数据进行了分析,建立了ARMA模型,并对2009年到2011年的全国GDP进行了预测。结果表明模型有很好的预测效果。

[关键词]全国GDP ARMA模型 预测 时间序列

一、ARMA时间序列模型

ARMA模型是一类常用的随机时序模型,它是一种精度较高的时序短期预测方法。其基本思想是:某些时间序列是依赖于时间t的一族随机变量,构成该时序的单个序列值虽然具有不确定性,但整个序列的变化却有一定的规律可以用相应的数学模型近似描述。ARMA模型有三种基本类型:自回归模型、移动平均模型以及自回归移动平均模型。

二、我国GDP时问序列特征分析

利用EVIEwS5.0软件对我国1978年到2006年的GDP时间序列数据消除价格因素的影响后进行分析。将数据绘制成折线图,如图1所示。(单位:亿元)

从1978年到1990年之间我国的实际GDP增长比较缓慢, 从1990年以后我国的实际GDP增长呈明显上升趋势。总体来看实际GDP时间序列具有明显的增长趋势。由我国实际GDP时间序列的自相关和偏自相关图(图2) 可以看出,我国的实际GDP时间序列的自相关系数没有很快的趋于0,说明序列不是纯随机的,是非平稳的。

对实际GDP时间序列取自然对数后再进行二阶差分后,所得的自相关和偏自相关图如图3所示,当滞后阶数大于5时,序列的自相关系数很快的趋近于0,即落人随机区间,说明时间序列是平稳的,且没有季节性趋势。

同时,对进行取对数二阶差分后的GDP时间序列作单位根检验,结果也表明时间序列是平稳的(见表1)。表中,t检验统计量值为-4.875439,比显著性水平为1%的临界值小,所以拒绝原假设,即序列不存在单位根,序列平稳。 龙源期刊网