时间序列分析课程设计报告基于时间序列分析股票预测模型研究.docVIP

时间序列分析课程设计报告书 题目：基于时间序列分析的股票预测模型研究 基于时间序列分析的股票预测模型研究 在现代金融浪潮的推动下,越来越多的人加入到股市,进行投资行为,以期得到丰厚的回报,这极大促进了股票市场的繁荣。而在这种投资行为的背后,越来越多的投资者逐渐意识到股市预测的重要性。所谓股票预测是指:根据股票现在行情的发展情况地对未来股市发展方向以及涨跌程度的预测行为。这种预测行为只是基于假定的因素为既定的前提条件为基础的。但是在股票市场中,行情的变化与国家的宏观经济发展、法律法规的制定、公司的运营、股民的信心等等都有关联,因此所谓的预测难于准确预计。即使是证券分析师的预测也只能作为股民入市操作的一般参考意见。时间序列数据因为接受到许多偶然因素的影响,会常常表现出随机性,在统计学上称之为序列的依赖关系。 时间序列分析是经济预测领域研究的重要工具之一,它描述历史数据随时间变化的规律,并用于预测经济数据。在股票市场上,时间序列预测法常用于对股票价格趋势进行预测,为投资者和股票市场管理管理方提供决策依据。 本文主要介绍了时间序列分析方法的概念,性质,特点以及时间序列模型,包括建模时对数据时间序列的预处理、模型识别、参数估计、模型检验、模型优化以及模型预测等。并根据道琼斯指数对收盘价进行短期预测,通过对时间序列分析理论的实证研究分析,建立时间序列模型,说明时间序列分析的方法对于股票价格的预测趋势有一定的参考价值。 2.1绘制浙江广厦收盘价的时间序列图 在Eviews软件中打开实验数据 给序列命名为settlement \ 点击ok绘出的时序图如下 时序图分析：由以上时间序列图可以看出，该序列值始终围绕着一个固定值3.5上下波动，所以可以大致认为它是平稳的，下面使用单位根检验法进行平稳性检验。 2.2平稳性检验 使用单位根检验法点击view -unit toot test 结果分析：由以上结果可以看出，t统计量对应的p值为0.0063，小于0.05，所以拒绝原假设，即该序列是平稳的。 2.3纯随机性检验 点击quick-series statiseics -correlogram 在窗口输入序列名称如图 点击OK，结果如下： 结果分析：由最后一列的p值，可以看出延迟6阶、12阶、18阶Q-统计量对应的p值都小于0.05，所以该序列为非纯随机性序列，可以继续研究。 2.4模型的识别及拟合 1、模型的识别： 由以上的自相关和偏自相关图可以看出，该序列的自相关系数拖尾，而偏自相关系数1阶截尾，所以应该用AR(1)模型来进行拟合。 2、模型的拟合及参数检验 依次点击Quick----Estimate Equation，然后输入 settlement c ar(1)。如下图： 点击确定后结果如下 结果分析：由以上结果，t-统计量对应的p值全都小于0.05，所以拒绝原假设，参数都是显著地，该AR(1)模型较好的拟合了数据。所以该模型为AR(1)模型。 2.5模型的检验（白噪化检验） 检验模型是不是显著，主要就是检验残差是不是纯随机性的，下面对残差进行白噪化检验。具体操作如图所示 点击ok,结果如图 结果分析：由上面残差的自相关和偏自相关图，看最后列的Q-统计量对应的p值，发现所有的p值都大于0.05，所以残差是白噪化的，即该模型的拟合是显著地。 2.6序列预测 1、首先进行自变量的扩展，在主程序中输入：expand 1 210. 把预测区间改为205 210，如下图所示： OK后结果如下 然后再打开settlementf序列，可以看到预测的6个数据如下 为对比看，把settlement序列与settlementf序列作为一组打开，并绘成图。