股票价格指数趋势预测.doc

股票价格指数的趋势预测 　　摘要：股票价格指数是一个国家经济建设健康状况的体温表，它的变化大致反映了该国经济结构和经济活动的宏观变化趋势。文中利用了计量经济软件EViews6.0，以上证指数为例，选择了ARIMA模型进行拟合和预测。实验结果表明，该模型的绝对误差以及百分比绝对误差都控制在了一定范围之内，因此该模型拟合效果较好，预测值接近实际值。最后，借助该模型对2012年07月27日至2012年09月09日的上证指数进行了预测。 关键词：时间序列分析；股价指数；ARIMA模型 一、引言 在金融领域中，股票价格指数的预测是一个非常热门的话题。股票价格指数简称为股价指数，它是动态的反应某个时期股市总价格水平的一种相对指标。由众多股票构成的股票价格指数，是一个国家经济建设健康状况的体温表，它的变化大致反映了该国经济结构和经济活动的宏观变化趋势。投资者可以根据股价指数的升降判断股票市场的走势，从而做出科学合理的投资决策。因此，科学合理的预测股价指数具有非常重要的现实意义，因为它直接关系到投资者的切身利益。有不少学者都对此做了一定的研究。陈海明，李东（2003）运用了灰色预测对股票价格进行了预测，预测结果较为精确。李响（2008）用数值试验的方法对基于BP神经网络的股市预测模型进行了一定的研究。而吴朝阳（2010）则运用了改进的灰色模型和ARMA模型对股价指数进行了预测。还有一些学者运用了传统的预测股价指数的方法即证券投资分析法对股价进行预测。但证券投资分析法预测股价指数具有一定的局限性，主要体现在其关于股票收益率的独立、正态分布、和方差有限的假设不符合证券市场混乱复杂的特性。其次，证券投资分析法是基于市场有效假说的，但是有效市场假说经常不能解释市场中的某些行为，因为市场不是秩序或简单的，而是既混乱又复杂的。于是，本文运用时间序列分析模型对股价指数进行了分析和预测。 时间序列分析是从一段时间上的一组属性值数据中发现模式并预测未来值的过程。时间序列的分析模型主要有ARMA模型和ARIMA模型。ARMA模型是目前常用于拟合平稳序列的模型，而ARIMA模型主要用于拟合和预测非平稳时间序列。ARIMA 模型由G. E. P. Box 和G. M. Jenkins 提出，也称为B―J方法，是一类常用的随机时间序列模型，该方法不考虑以经济理论为依据解释变量的作用，而是依据变量本身的变化规律，利用外推机制描述时间序列的变化，能达到最小方差意义下的最优预测，是一种精度较高的时间序列短期预测方法。利用ARMA和ARIMA模型分析预测物价指数、股价指数等方面具有重要的实际意义。本文将用ARIMA模型结合上证指数数据建立模型，并用该模型对上证指数进行拟合和预测。 二、时间序列模型简述 （一）时间序列的基本知识 时间序列分析是一种应用广泛的数量分析方法，它主要用于描述和探索事物随时间发生变化的数量规律性。时间序列是指某一统计指标数值按时间先后顺序排列而形成的序列。例如，工农业总产值按年度顺序排列起来的序列；居民消费价格指数按季度或月度排列起序列；股价指数等等都是时间序列。时间序列一般用y1，y2，y3…，yt 表示，t为时间。 在社会经济统计中，编制和分析时间序列具有非常重要的作用，主要表现在： 1、为分析研究社会经济现象的发展速度，发展趋势及变化规律提供基本的统计数据。 2、通过计算分析指标，研究社会经济现象的变化方向，速度以及结果。 3、对若干相互关联的时间序列进行分析研究，可以揭示现象之间的联系程度及动态演变关系。 4、建立数学模型，解释现象的变化规律并对未来进行预测。 （二） 时间序列分析模型 ARMA模型是目前最常用的平稳时间序列的分析模型，它又可以细分为AR模型，MA模型和ARMA模型三类。 ARMA模型的方程式如下： 引进延迟算子，ARMA（p，q）模型简记为： 其中： ，为p阶自回归系数多项式； ，为q阶移动平均系数多项式。 显然，当q=0时，ARMA（p，q）模型就退化成了AR（p）模型。 在现实生活中，有许多时间序列是非平稳的，但是这些非平稳序列差分后会显示出平稳序列的性质，这时我们就称该非平稳时间序列为差分平稳时间序列。对差分平稳时间序列可以用ARIMA模型进行拟合。 ARIMA（p，d，q）模型的结构如下： 其中： ，为平稳可逆ARMA（p，q）模型的自回归系数多项式； ，为平稳可逆ARMA（p，q）模型的移动平滑系数多项式； 为零均值白噪声序列。 特别地，当d=1，p=q=0时，AMIMA（0，1，0）模型为：xt=xt―1+εt，该模型称为随机游走模型或醉汉模型。 （三）时间序列分析的步骤 通常情况下， 自回归移动平均