ARIMA模型在股票价格预测中的应用.pdfVIP

维普资讯 2008年 6月 广 西轻工业 第 6期 (总第 115期) -Ⅺ G耵 INDUSTRY 计算机与信息技术 ARIMA模型在股票价格预测中的应用 刘红梅 (贵州民族学院数计学院，贵州 贵阳 550025) 【摘 要】 股票价格涉及很多不确定因素，且各个因素之间的相关关系错综复杂，因此要从理论上彻底弄清楚股市的变化 机理十分困难。然而股市是一个运动的、特殊的系统。它必然存在着规律。以“鞍钢股份”股票价格为例。利用EVIEWS软件对其股 票价格建立AKIMA模型，提 出了股票价格序列的一步动态预测方法，用于股票价格序列的建模及股价短期预测，以期为企业和投 资者在进行相关决策时提供有益的参考。 【关键词】 股票价格；AKIMA模型；EVIEWS 【中图分类号】F842 【文献标识码】A 【文章编号】 1003—2673(2008)06—92—02 1 引言 表 1ADF检验结果 股票价格是股票在市场上出售的价格。股票价格的形成及 波动不仅受制于各种经济、政治因素。而且受投资心理和交易 技术等的影响。股票价格的影响因素很多。“股票随业绩调整” 表2 2008年 1月30日--4月30日“鞍钢股份”股票价格表 是股市不变的原则。但事实上。股票价格不仅与上市公司企业 内部财务状况有着密切的相关关系。还与整个股票市场状况乃 至整体经济运行状况有关。由于影响股票价格波动的因素众 多，使得其预测难于实现。确切地说 。要对股票价格做出准确预 测是不可能的，但我们总试图寻找不同的方法，不同的模型来 刻画它。而用传统的回归分析模型来进行预测。不仅复杂而且 费用较高，因为要找出真正影响预测对象变化的因素并非易 事，而且由于股票市场的变化，其预测精度并不比时间序列分 析方法更精确。而时间序列分析方法模型一般简单 ，成本较低。 特别适用于表面上毫无规律可循的数据。因此。在这里 。我们用 时间序列分析中的ARIMA模型来对股票价格建立模型。 2 ARIMA模型的建立 (2)模型的选择和参数估计 ARIMA是 自回归移动平均结合 (AutoRegressiveInte— 将表 1中 1月3031—4月2331的55个数据来建立模 gratedMovingAverage)模型的简写形式。用于平稳序列或通过 型。用于样本内预测。其余 5个用于样本外预测。 差分而平稳的序列分析。简记为ArtIMA~,d,q)。用公式表示为： 由一阶差分序列的自相关和偏 自相关函数 。利用B—J法。 Adzt=xt= lxtI+ 2xt 初步建立ARIMA(1。1，1)模型。根据输出结果分析 ，AR部分和 ． ． 2+…+I．)t【一+al一0lal—l一02at一2 MA部分前面的系数伴随概率明显非零 。因此 ARIMA(1。1，1)模 一 ’ 0qa1 ．q 型并不是合适的模型拟和该时间序列。 其中。p．d、q分别是 自回归阶数、差分阶数和滑动平均阶 对其建立ARIMA(2，1。1)模型。输出结果如图1。 数 ；z。是时间序列；x。是经过d阶差分后的时间序列值；al一是 时间为t-q的随机扰动项；cp、0。分别是对应项前的系数。 (1)平稳性检验 以2008年 1月 3013… 2008年4月3031“鞍钢股份” 股票价格{股票价格 ：(开盘价+收盘价)，2，见表2