当前位置：文档之家 › 实验一-基于AR模型的股票价格预测

实验一-基于AR模型的股票价格预测

  • 格式：doc
  • 大小：309.50 KB
  • 文档页数：15

实验一-基于AR模型的股票价格预测

第 2 页 共15页 基于AR模型的股票价格预测

1. 问题描述

AR模型是一种线性预测，即已知N个数据，可由模型推出第N点前面或后面的数据（设推出P点），所以其本质类似于插值，其目的都是为了增加有效数据。本次实验使用从雅虎上下载的美国某股票七年共2000个收盘价格数据来进行数据分析建模，取其前1000个价格数据构建预测方程，预测剩下的股票收盘价格。

2. 原理简述

2.1 基本原理

自回归模型（Autoregressive Model，AR Model）是用自身做回归变量的过程，即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型，它是时间序列中的一种常见形式。

考虑一组随机自变量观测值与因变量观测值之间的关系，设自变量观测值为x(n),因变量观测值为Y=[y(n),y(n-1),…,y(n-N)],则依据AR Model，满足如下关系式：

011NaynaynaynNxn (2.1)

其中，a=[a0,a1,…aN]为各项因变量观测值系数。通常情况下，我们令a0=1。考虑到式（2.1）的迭代性，我们可以将其转化为一组自变量观测值和一个因变量观测值的形式如下：

1212ynxnxnxn (2.2)

其中，A=[12,,]是各项自变量观测值的系数。另外，我们假定自变量观测值的自相关函数为：

2Exnxnkk (2.3)

其中，2是自变量观测值的方差，k是狄拉克函数。

将所得的y(n)代入可得：

12EE1ynxnxnxnxn (2.4)

同样，将任意的一个y(n-K)代入可得：2Eynkxnk。

接下来，我们将所得各式写成向量的形式如下：

第 3 页 共15页 11,1,...,NaynynynNxnaM (2.5)

112011EE,1,...,1,,...,NNNaynxnynynynynNaarrraMM (2.6)

1111EE,1,...,1,,...,0NkkkNNaynkxnynkynynynNaarrraMM (2.7)

将因变量观测值的自相关函数写成矩阵形式可得如下：

0111110222120NNNNNNrrrarrrrarrrrarLLMMMMMML (2.8)

该矩阵由Yule-Walker方程描述为：Rar。

对于该系统预测的关键在于对系统系数向量a的求解。将AR Model方程写成如下形式：

1Nkkynaynkxn (2.9)

将因变量观测值y(n)的L个观测值写成矩阵形式如下：

第 4 页 共15页 1212011111211NyNyNyNyaxNyNyNyNyaxNyLyLyLNaxLLLMMMMMMMLL (2.10)

将上式写成Yule-Walker方程形式为：yYax。其中，x是自变量观测值矩阵，a是系数矩阵，Y是Toeplitz矩阵，y是因变量观测值矩阵。

使用最小二乘法（Least Square，LS）寻找一个最优解为：2HxyYayYa。对该式进行求解可得：1HHaYYYy。将所求系数代入即可得到拟合方程，根据拟合方程可以得到问题的估计值。

2.2 实现步骤

具体实现步骤如下：

（1）利用自变量观测值x，因变量观测值y和系数矩阵a构建系统模型yYax；

（2）依据LS求解系统系数矩阵1HHaYYYy；

（3）将a代入构造预测方程；

（4）将已知值代入到预测方程中对未知值进行预测。

2.3 实现框图

构建系统模型依据LS求解系统系数矩阵构造预测方程利用已知值对未知值进行预测

图1 预测实现框图

3. 仿真结果及分析

仿真分为三组进行，分别是固定系数矩阵a的股价预测图样；迭代更新系数矩阵a的股价

第 5 页 共15页 预测图样；加窗更新系数矩阵a的股价预测图样。

3.1 固定系数矩阵a的股价预测

仿真采用1000个股票收盘价格构建预测方程，来预测接下来300个股票收盘价格，具体仿真如下图所示：

0200400600800100012001000120014001600180020002200240026002800数据量股票收盘价格

实际值预测值0200400600800100012001000120014001600180020002200240026002800数据量股票收盘价格

实际值预测值

(a) (b)

0200400600800100012001000120014001600180020002200240026002800数据量股票收盘价格

实际值预测值0200400600800100012001000120014001600180020002200240026002800数据量股票收盘价格

实际值预测值

(c) (d)

图2 固定系数矩阵时不同阶数下股票价格预测图

图2所示为利用前1000个数据求得系数矩阵a之后对接下来300个股票价格的预测图，蓝色为股票价格实际值，红色为股票价格预测值。图中（a）、（b）、（c）、（d）分别代表阶数为10、50、100、200时的不同情况。从图中可以看出，在阶数为10时，股票价格预测效果较差；当阶数为50和100时，预测效果有较大提升；而在阶数为200时，出现过度拟合的情况，预测效果开始下降。

四种不同阶数的预测均方误差如表I所示：

表I 不同阶数下股票价格预测均方误差

阶数 10 50 100 200

均方误差（410） 5.7328 1.6552 3.8745 6.0020

第 6 页 共15页 从表I中可以看出，阶数位于10~100之间时，具有最优预测。

3.2 迭代更新系数矩阵a的股价预测

本节中，我们利用原始数据求解系统系数矩阵a，利用该系数矩阵a构建预测方程，通过预测方程求解接下来的一个值，再将该值代入，更新系数矩阵a，实现一种交叉迭代的预测求解。仿真采用1000个股票收盘价格构建预测方程，来预测接下来1000个股票收盘价格，具体仿真如下图所示：

020040060080010001200140016001800200010001200140016001800200022002400260028003000数据量股票收盘价格

实际值预测值 020040060080010001200140016001800200010001200140016001800200022002400260028003000数据量股票收盘价格

实际值预测值

（a） （b）

020040060080010001200140016001800200010001200140016001800200022002400260028003000数据量股票收盘价格

实际值预测值 020040060080010001200140016001800200010001200140016001800200022002400260028003000数据量股票收盘价格

实际值预测值

（c） （d）

图3迭代更新系数矩阵时不同阶数下股票价格预测图

图3中（a）、（b）、（c）、（d）分别为阶数取10、50、100和200时的股票价格预测图，从图中可以看出，由于对系数矩阵a进行不断的迭代更新，因此求得的预测值近似为线性预测，即只能预测股票的升降趋势。观察之前1000个数据可知，股票价格以下降趋势为主，因此在这里的预测函数为一近似单调递减的线性函数。

3.3 加窗更新系数矩阵a的股价预测

考虑到3.2中系数矩阵a是在每次得到新的预测值就进行更新，在本节中，我们利用前1000个股价预测接下来长度为m的股价，m即为我们加窗的长度。在这里我们取m为一系列的值，

第 7 页 共15页 分别为50、100、200、300和400。通过预测的估计，更新系统矩阵a，进而预测接下来的股价。仿真时阶数分别取为100和300，显示如下图所示：

02004006008001000120014001000120014001600180020002200240026002800数据量股票收盘价格

实际值预测值02004006008001000120014001000120014001600180020002200240026002800数据量股票收盘价格

实际值预测值

（a） （b）

图4 加窗长度为50时不同阶数下的股价预测图

0200400600800100012001400-0.500.511.522.533.544.5x 10307数据量股票收盘价格

实际值预测值0200400600800100012001400-101234567x 10282数据量股票收盘价格

实际值预测值

（a）

（b）

图5 加窗长度为100时不同阶数下的股价预测图

第 8 页 共15页 0200400600800100012001400-0.500.511.522.5x 104数据量股票收盘价格

实际值预测值0200400600800100012001400-3-2-101234x 104数据量股票收盘价格

实际值预测值

（a）

（b）

图6加窗长度为200时不同阶数下的股价预测图

合集下载

股票价格预测模型研究与应用

股票价格预测模型研究与应用

股票价格预测模型研究与应用

近年来，股票市场变化越来越快速，投资者需要及时的市场趋势分析和预测，来制定适当的投资策略。股票价格预测模型的研究和应用成为了现代投资分析中不可或缺的一部分。

一、股票价格预测模型的概念

股票价格预测模型，通俗地讲，是指利用历史市场数据和财经数据，运用统计学、计量经济学等方法，预测出未来一段时间内股票价格的变化趋势。常见的股票价格预测模型包括时间序列模型、回归分析模型、神经网络模型、支持向量机模型等。

二、常见的股票价格预测模型

1. 时间序列模型：该模型基于统计学中的时间序列分析理论，通过对历史时间序列数据进行分析，预测未来一段时间内股票价格的趋势。其中，常用到的方法包括ARIMA模型、ARCH/GARCH模型等。

2. 回归分析模型：该模型基于OLS方法（普通最小二乘法），通过变量之间的相关性进行预测。其中，常用到的方法包括单变量的简单线性回归分析和多变量的多元回归分析。 3. 神经网络模型：该模型基于人类神经系统的基本结构和思维方式来建立预测模型。其中，常用到的方法包括BP神经网络算法、RBF神经网络算法等。

4. 支持向量机模型：该模型依据支持向量机算法进行分析，通过确定决策面，将股票价格分为不同的类别并进行预测。

三、机器学习在股票价格预测中的应用

随着机器学习技术的不断发展，越来越多的投资者开始将机器学习应用于股票价格预测，以获取更加准确的市场趋势变化信息。其中，常用到的机器学习技术包括深度学习、集成学习等。

通过使用机器学习技术，投资者可以更加高效地分析和预测股票价格的趋势，基于模型的预测结果，可以制定合理的投资策略，做出更好的投资决策。

四、股票价格预测模型的应用案例

1. 时间序列模型：在实际市场中，有一些著名的基于时间序列模型的成功案例。如迈克尔·J·桑德尔在1970年代使用ARIMA模型进行投资，保持超过20年的成功。另外，ARCH/GARCH模型也被广泛用于股票价格波动的预测中。

基于ARIMA模型的股票价格预测分析

基于ARIMA模型的股票价格预测分析

基于ARIMA模型的股票价格预测分析

1. ARIMA模型简介

ARIMA模型是时间序列分析中一种非常常用的模型，其全称是Autoregressive Integrated Moving Average Model，即自回归、差分、移动平均模型。

ARIMA模型可以用于对时间序列的预测和分析，其基本假设是时间序列数据存在一定的趋势、季节性等特征，可以通过对这些特征进行建模来预测未来数据趋势。

ARIMA模型的核心是通过对时间序列数据的自相关系数和偏自相关系数进行分析，来建立适当的模型。其中，自相关系数代表时间序列数据自身的相关性，而偏自相关系数则代表其对应的拖尾效应。

2. ARIMA模型在股票价格预测中的应用

股票价格作为金融交易市场中的重要指标，其受到市场消息、宏观经济环境、公司业绩等多种因素的影响。因此，利用ARIMA模型对其进行建模，可以更好地预测未来股票价格的趋势和波动情况。

一般而言，股票价格的时间序列数据呈现出一定的趋势性和季节性。利用经验法则对其进行建模的话，需要进行常数项调整，季节性调整等一系列复杂的操作。而使用ARIMA模型，则可以更加方便地对这些因素进行建模。

在具体应用中，首先需要进行时间序列数据的预处理，包括去除非平稳因素、平稳检验、差分等。然后，对处理后的数据进行自相关系数、偏自相关系数的分析，找出最适合的ARIMA模型。最后，使用该模型进行预测，并进行误差检验。

3. 基于ARIMA模型的股票价格预测案例

以某公司股票价格的预测为例，分析其未来60个交易日的股价波动情况。

首先，进行数据预处理。使用包含该公司股票价格的时间序列数据，进行ADF检验和差分操作，得到平稳后的时间序列数据。

然后，使用ADF检验的结果，确定差分阶数，得到ARIMA(0,1,2)模型。通过对该模型的自相关系数、偏自相关系数分析，得到ARIMA(0,1,2)模型。

最后，使用该模型进行未来60个交易日的股价预测，并进行误差检验。结果显示，该模型预测的误差较小，可以用于股票价格预测。

基于ARIMA和AT-LSTM组合模型的股票价格预测

基于ARIMA和AT-LSTM组合模型的股票价格预测

基于ARIMA和AT-LSTM组合模型的股票价格预测

基于ARIMA和AT-LSTM组合模型的股票价格预测

引言：

股票市场是一个高度复杂和不确定的系统，股票价格的预测一直是投资者关注的重要问题。传统的统计方法在一定程度上能够提供有限的预测准确性，但在处理非线性和非平稳的股票价格数据时存在局限性。为了提高股票价格预测的准确性，本文提出了一种基于ARIMA（自回归移动平均模型）和AT-LSTM（注意力机制上的长短期记忆网络）组合模型，通过结合两种模型的优势，达到更精确的预测。

一、ARIMA模型的原理和特点

ARIMA模型是一种经典的时间序列模型，用于分析和预测时间序列数据。它基于时间序列数据的自回归（AR）、差分（I）和移动平均（MA）三个过程，通过拟合历史数据的相关性来预测未来的观测值。ARIMA模型具有以下特点：

1. 基于时间序列的统计性质，能够较好地捕捉数据的趋势和季节性。

2. 对平稳性要求高，对非平稳序列需要进行差分处理。

3. 只能处理线性关系，对于非线性关系的数据预测效果较差。

二、AT-LSTM模型的原理和特点

AT-LSTM模型是一种基于长短期记忆网络（LSTM）的注意力机制模型。在传统LSTM模型的基础上，引入了注意力机制，通过对历史数据的注意力权重进行学习，将更多的注意力放在对预测更重要的历史数据上，提高了预测的准确性。AT-LSTM模型具有以下特点：

1. 能够处理非线性关系，对于非线性的时间序列数据预测效果更好。

2. 引入了注意力机制，能够自动学习和分配历史数据的注意力权重。

3. 对于长期依赖的时间序列数据，能够更好地捕捉其内在的规律。

三、基于ARIMA和AT-LSTM的组合模型

本文提出了一种基于ARIMA和AT-LSTM的组合模型，将两种模型的优势相结合，以获得更准确的股票价格预测结果。具体步骤如下：

1. 首先，利用ARIMA模型拟合历史数据，得到ARIMA模型的参数。

基于ARMA模型的股价预测及实证研究

基于ARMA模型的股价预测及实证研究

龙源期刊网

基于ARMA模型的股价预测及实证研究

作者：刘伟龙

来源：《智富时代》2017年第02期

【摘 要】在现实中很多问题，如利率波动、收益率变化及汇率变化通常都是一个时间序列。然而经济时间序列不同于横截面数据存在重复抽样的情况，它是一个随机事件的唯一记录，这个过程是不可重复的。横截面数据中的随机变量可以非常方便地通过其均值、方差或数据的概率分布加以面熟，但是时间序列中这种描述很不清楚，这就需要用一些特定的计量方法和手段分析其变化规律。ARMA模型在经济预测过程中即考虑了金融市场、股票市场指标在时间序列上的依存性，又考虑了随机波动你的干扰性，对其指标短期趋势的预测准确率较高，它用有限参数线性模型描述时间的自相关结构，便于进行统计分析与数学处理，因此ARMA模型是目前常用的用于拟合平稳序列的模型，尤其在金融和股票领域具有重要意义。本文将利用ARMA模型结合民生银行股票的历史数据建模，并运用该模型对招商银行的股票日收盘价进行预测，从而推断其未来趋势。

【关键词】ARMA模型；金融时间序列；平稳序列；收益率；股价预测

一、ARMA模型的理论介绍

ARMA（p，q）模型是由美国统计学家Box GEP和赢过统计学家Jenkins GM在二十世纪七十年代提出的时间序列分析模型，即自回归移动平均模型，一般的ARMA（p，q）模型的形式可以表示为：

yt=c+Φ1yt-1+Φ2yt-2+...+Φpyt-p+εt+θ1εt-1+θ2εt-2+... +θqεt-q

其中：εt是白噪声序列，p和q是非负整数，AR和MA模型都是ARMA模型的特殊情况，p=0时，ARMA模型为MA（q），q=0时，ARMA模型为AR（p）。ARMA模型针对的是平稳序列，对于非平稳的时间序列，不能直接用ARMA模型去描述，只有经过某种处理后，产生一个平稳的新序列，才可应用ARMA模型。对于含有短期趋势的非平稳序列可以进行差分使非平稳序列变成平稳序列。