基干R软件金融时间序列预测探析.docVIP

基于R软件的金融时间序列的预测分析 　　摘 要 时间序列分析作为股票市场波动预测的重要工具，逐渐成为金融领域较常用的预测方法之一。本文利用R软件对上证综指和深证成指进行如下分析：根据上证指数收盘价的变动情况及其非平稳性和季节性特征建立包含季节因素的S-ARIMA模型，该模型较准确地描述和预测收盘价，实用性较强；对比剖析了上证综指和深证成指的收益率变动情况，针对其统计特性建立了相应的GARCH模型，得出了两指数收益率波动有时变性，簇集性，相关性等特征，模型拟合结果准确率较高 【关键词】时间序列分析 股票波动预测 S-ARIMA模型 GARCH模型 宏观上，随着经济全球化的社会大背景趋势逐渐加强，股票由最初影响的局部性逐渐向当下的整体性转变。股票市场作为资本市场的核心，其动荡已不再仅仅影响部分企业的盈亏和部分人群的得失，波及面之广已经达到了空前的高度；微观上，股票跌宕起伏的变化与人们的日常生活包括幸福指数，经济状况越来越密切相关，据不完全统计，股市萎靡不振时，人们的幸福指数低且购买欲望低，内需减少，这足以说明股票市场对我国国民的影响力之大。合理正确的利用非平稳时间序列分析方法预测金融市场走势无论对国家的经济管控还是对个人经济状况的改善都具有指导意义 1 基于季节性的ARIMA模型的上证指数收盘价的研究 指数收盘价指数是在交易所一日内最后一笔交易的成交价格，若当天没有成交，那么收盘价将采用最邻近的一次交易价格。因而可作为当日行情的参考指标，收盘价的走势和动态可用来预测未来的证券交易行情，投资者一般利用收盘价作为其投资的重要参考指标。影响收盘价变动的因素较多，收盘价的序列一般非平稳且具有某种趋势性，可采用理论ARIMA模型对其进行拟合预测 案例：预测2016年4月底的收盘价。数据采用的是2001年12月11日也即我国加入世界经济贸易组织到2016年3月每月月底的收盘价格（去除掉非交易日的数据），共172个收盘价数据，利用这些数据进行ARIMA建模分析 1.1 序列平稳性检验 利用时间序列趋势图，单位根检验，自相关（ACF）、偏自相关（PACF）图等检验时间序列平稳性，为识别时间序列的周期性及合适模型提供依据。利用R软件对原始数据做ADF检验，结果如下：ADF=-3.5557，p=0.039360.01，接受原假设，原始序列存在单位根且非平稳。通常情况下，对非平稳时间序列，差分可使其趋于平稳。对原始序列做一阶差分，差分后的序列进行ADF检验，结果如下：ADF=-4.5276，p=0.010.05，接受残差序列服从正态分布的原假设，同样残差平方的序列Box-Ljung检验P值0.96810.05，接受残差平方序列服从正态分布的原假设。说明模型拟合较优。所以，上证综指收益率时间序列的模型可表示如下： 　　同理可得深证成指收益率时间序列的模型为： 2.3 模型诊断 残差分析可诊断模型适应性。一般地，若模型被正确识别，则残差序列独立同正态分布。残差的正态性检验通过QQ图检验。事实上，独立同分布序列的非零阶滞后的样本自相关系数也往往呈现独立零均值，方差为1/n正态分布，基于收益率数据不相关前提，相同阶数的GARCH模型生成的残差也是独立同正态分布的，因而上述模型被正确识别 2.4 风险波动预测 利用所建模型对上证综指和深证成指进行条件方差的多期预测，风险波动预测如图3、图4 2.5 风险波动（条件方差）的特征分析 从以上条件方差波动预测图可见该样本期内沪深股市的风险波动具有以下特点： 2.5.1 时变性 两指数方差的波动均随时间变化而变化，且变化比较剧烈，其最大值与最小值相差均为十倍以上。这说明沪深股市明显处于波动幅度比较大的时期，具有明显的波动时变性 2.5.2 簇集性 两指数的方差序列均具有明显的簇集性特征，即波动幅度大的往往在某一时期内，而其余时期波动幅度都比较小 2.5.3 相关性 对比两方差序列图，可见在同一时期内，两图波动幅度往往相似。即其中一个指数的方差波动总是紧随着另一个指数的上升而上升，下降而下降 3 研究结果比较 ARIMA是非平稳时间序列，它是条件均值结构模型；GARCH模型存在异方差时的条件方差结构模型。一般地，若某时间序列满足ARIMA模型，任意给定步长的向前预测，其条件方差总为常数。实际问题中，条件方差往往具有时变性，条件方差本身也是一个随机过程，即条件方差过程。ARIMA模型主要研究基于现在和过去的数据预测未来的数据，而GARCH模型主要研究基于现在和过去的数据预测未来的波动 参考文献 [1]BOX G，JENKINSG.Time series analysis：Forcasting and co