应用时间序列分析法对上证指数的实证分析.pdfVIP

发展探究 应用时间序列分析法 对上证指数的实证分析 华南理工大学数学科学学院 宋楠 一、概述 化的规律,并将这种规律延伸到未来，从而对该现象的未 时间序列分析法是应用随机过程理论和数理统计方法， 来做出预测。 研究随机数据序列所遵从的统计规律，以解决实际问题的 近代计量经济学和金融市场的许多卓有成效的研究成 一种研究方法。作为经济领域研究的主要工具之一，时间序 果及市场决策中的理论依据愈来愈多地建立在时间序列分 列分析法采用合适的模型描述历史数据随时间变化的规律， 析的基础上。随着我国市场经济的发展，特别是证券市场的 并预测经济变量值。自回归-滑动平均模型 （ARMA， 发展，运用一定的数学方法对这一领域进行分析和预测必 AutoRegressive-Moving Average Models）是适用于经 将成为金融决策的必要前提。 济时间序列发展形态的一种高级预测方法，它描述时间序 对于不同的金融序列 （如股价、股价指数、GDP等）， 列的动态性和发展变化规律。而自回归-求和-滑动平均 我们可以通过分析序列本身的特性，在一些优秀软件的帮 助下，通过建立合适的模型进行分析和预测。但时间序列分 模型 （ARIMA，AutoRegressive -Integrated-Moving Average Models）是在ARMA模型的基础上发展起来的。 析法也有其局限性，因方法过于简单，还预测不了金融经济 它能够更好地处理非平稳的时间序列，尤其是ARIMA的 环境的变化。我们只能从预测值中看出一些有助于决策的 季节乘积模型可以对具有季节性的时间序列进行建模和预 端倪。 测。 本文通过ARIMA季节乘积模型分析金融时间序列的 由于在大多数问题中，随机数据都是依照时间先后顺 随机性和平稳性，对上证指数从1997年至今的每月开盘指 序排列的，故称为时间序列。它包括一般统计分析、统计模 数进行实证分析，用Eviews软件处理上证指数时间序列， 型的建立与推断以及关于随机序列的最优预测、控制和滤 建立模型并检验模型的可行性，通过对比参数得到一个较 波等。 好的模型，并运用该模型进行预测。结果表明，预测值和真 1970年，随着Box和Jenkins的 《时间序列分析：预 实值接近，误差大多在10%以内，效果较为理想。 测与控制》的出版，标志着时间序列经济计量学的诞生。之 后，时间序列分析法得到快速发展，在各种行业中得到广泛 二、应用ARIMA模型进行实证分析 应用。随着研究的不断深入，运用时间序列预测成为经济学 有的季节性时间序列不仅含有季节性成分，还混有非 家的重要工具，更多的人依赖金融时间序列预测的结果进 季节性成分，若单一用季节性或非季节性ARIMA模型进 行投资和用于其他用途。这种时间序列预测方法的基本思 行分析，预测效果往往不理想。季节性ARIMA与非季节性 想是：预测一个现象的未来变化时,用该现象的过去行为 ARIMA的混合效应通常表现为相乘的形式： 预测未来，即通过时间序列的历史数据揭示现象随时间变 64 中国信用卡 2005年第11期 发展探究 s 表1 2005年每月首日开盘上证指数预测值与实际值 式中，φ （B）为非季节AR(p)，Φ （B）为 p p △ △ d D 季节AR(P)， 为d阶逐期差分， 为D阶季 时间 预测值 （点） 实际值 （点） 预测误差 （％） s s 节差分，θ(B)为非季节MA(q)，Θ （B）为