基于Clementine软件的时间序列分析以浦发银行股票为例.docxVIP

基于Clementine软件的时间序列分析 ——以A股浦发银行(600000)股票为例 摘 要 本文的主要内容是借助SPSS Clementine 软件研究A股浦发银行(600000)股票价格随时间的变化规律，并用时间序列分析的有关知识对其进行建模预测。本文首先对Clementine软件作简要介绍，说明其在数据挖掘领域的广泛应用；然后介绍了3种时间序列分析预测的模型，分别为专家模型、Holt指数平滑模型和ARIMA模型；最后借助Clementine 软件对浦发银行股价分别进行专家建模、指数平滑建模和ARIMA建模，并对股价进行短期预测，通过模型参数比较及预测值误差对比，找出最佳模型。在建模的同时，也给出了使用Clementine软件建立数据流的具体过程。 关键词：Clementine软件 时间序列 浦发银行股票  PAGE \* MERGEFORMAT 14 引言 数据挖掘是一个利用各种方法，从海量数据中提取隐含和潜在的对决策有用的信息和模式的过程。通过数据挖掘提取的信息可应用于很多领域，如决策支持、预测、预报和估计等。当今我们正面临这样一个问题，一边是对知识的饥渴，另一边却是大量数据的闲置未被利用，“我们被淹没在信息里，但却感受到知识的饥饿”。因此，我们迫切需要借助数据挖掘技术对这些数据进行及时有效的处理，从这些海量的、有噪音的、随机的数据中提取有效的、潜在有用的而又新颖事先未知的信息 [1]。 数据挖掘的工具有很多，本文选用SPSS Clementine软件。 Clementine软件简介 Clementine是由SPSS公司开发的一款著名且非常实用的数据挖掘软件，也是目前众多软件中最成熟和最受欢迎的一款数据挖掘产品。Clementine拥有丰富的数据挖掘算法，操作简单易用，分析结果直观易懂，图形功能强大，支持与数据库之间的数据和模型交换，可以使用户方便快捷地实现数据挖掘。Clementine形象地将数据分析的各个环节表示成若干个节点，将数据分析过程看作数据在各个节点之间的流动，并通过图形化的数据流方式直观表示整个数据挖掘的各个环节。 Clementine在数据挖掘分析中被应用于分类预测问题方面非常多，但是它的其他功能也十分强大，如可以把Clementine软件运用在探索内部结构、多元统计分析、时间序列预测等领域。由于利用Clementine做分类预测(决策树)问题比较常见，因此本文强调它的另一功能，即利用Clementine做时间序列分析。 数据来源及研究方法 数据来源 本文所用数据为A股浦发银行 (600000) 股票2012年2月13日到2012年11月23日股价数据，来自大智慧软件。数据见附件1（Excel文件）。 研究方法 本文利用时间序列分析知识并结合Clementine软件对A股浦发银行 (600000) 股票每日行情数据进行建模分析，与原始数据比较拟合并根据参数选择最佳模型。本文所用到的模型有：专家建模模型、Holt指数平滑模型和ARIMA(求和自回归移动平均)模型。 (1)专家模型 Clementine软件里一种可以自动预测的建模方法，自动进行最优模型的选择、参数估计和预测。 (2) Holt指数平滑模型 Holt指数平滑法是一种线性指数平滑方法，它是一种较高级形式的指数平滑方法。这种方法最突出的优点是对具有趋势变动的时间数列，不用二次指数平滑，而是对趋势数据直接进行平滑并对原时间序列进行预测。这种方法因具有很大的灵活性而被广泛地使用着。 Holt指数平滑适用于对含有线性趋势的序列进行修匀。它的基本思想是假定序列有一个比较固定的线性趋势：。其平滑公式为： 式中，为两个平滑系数，满足条件。 假定最后一期的修匀值为，那么使用Holt指数平滑法向前期的预测值为：. (3) ARIMA模型 ARIMA模型全称为求和自回归移动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由Box和Jenkins于70年代初提出的一种著名时间序列预测方法。其中在ARIMA()中，AR是自回归，为自回归项数；MA是移动平均，为移动平均项数；为时间序列成为平稳时所做的差分次数。 ARIMA模型是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。其公式为： 式中，；，为平稳可逆ARMA()模型的自回归系数多项式；，为平稳可逆ARMA()模型的移动平滑系数多项式。 实证分析——以浦发银行股票为例 以浦发银行2012年2月13日至2012年11月23日每日收盘价作为数据源，利用Clementine软件对这些数据进行分析。建立的数据流如图1所示。 图1 浦发银行股票股价数据流 简要