上市公司股票价格ARIMA预测.docVIP

上市公司股票价格ARIMA预测 　　摘 要：股票价格不仅与整个股票市场状况乃至整体经济运行状况有关，还与整个上市公司企业内部财务状况有着密切的关系。因此如何预测一公司的股票价格成为一项既艰巨困难又十分有意义的工作。文中以汉水流域某通讯公司股票价格为例，考虑各种因素对公司股票价格的影响，利用MATLAB软件对其建立整合自回归移动平均模型，用于公司股价短期预测，为企业和投资者在决策时提供参考。 　　关键词：股票价格；整合自回归移动平均模型；短期预测 　　1、引言 　　日常工作中常常需要进行各种重要指标的短期数据预测，这在计划管理、质量控制和财务预算中尤为常见。充分利用现代技术中前沿和流行的预测方法，对实现科学管理，提高工作预见性有着很大的帮助。 　　文中收集某通讯公司自2009-01-02到2012-10-13的股票[1]收盘价格后，通过对数据的分析，建立ARIMA（整合自回归移动平均模型）[2]模型进行短期和长期预测。 　　2、方法简介 　　预测技术通常有定性和定量两种方法。（1）在无历史数据情况下，定性预测（如专家意见法、德尔菲法和经验法）帮助人们做决策；（2）定量预测法则通过对历史数据的收集，研究过去所发生的事情，深入理解数据背后的结构，进而去预测未来。它包括时间序列分析方法和因果分析方法。 　　对于比较简单的时间序列数据和现象，通常使用线性模型或指数平滑模型进行预测，但对那种较为复杂、影响因素众多、非线性涌现效应强的数据序列，如自然界的天气变化，工作中的销售额、合同执行率、潜在缺陷数、金额预算，生活中的收支计划等，就需更加强有力的模型来提高精度。ARIMA方法是时间序列建模技术中的重要内容[3]。 　　在经济和管理领域，存在着大量复杂影响因素[4]、非线性效应和人为主观活动，如何运用ARIMA预测技术进行宏观层面研究呢？ 　　（1）ARIMA方法不直接考虑其他相关输入变量的变化，不等于完全忽视这些因素的影响。因为历史数据正是在各种相关因素宏观作用下形成的，对这些历史数据变动规律的概括，正是体现了统计学的研究方法。“这个世界的真正逻辑是可能性的计算……（麦克斯韦）??[5]，虽然微观上粒子具有各种不确定性，但在宏观层面，其综合表征通常会呈现某种统计规律性。 　　（2）经济现象通常会具有“惯性”或 “粘滞性”，因此在一个较短的时期内，可大致认为各经济因素对预测指标的影响规律及这些经济因素本身的变动趋势是不变的，因此对短期预测，好的拟合模型完全能够保证一定的预测精度。 　　3、数据分析和推理过程 　　31 分析过程简图 　　32 数据收集 　　收集某公司从2009-01-02～2012-10-13约4年870个数据。文中仅以每次收盘价作为分析研究对象。如表1所示 　　做移动级差图后，发现过程不受控。并且数据在这四年内呈现较稳定的整体上升趋势，虽不是单调上升，也有涨有落。说明数据受到了季节、周期或者无规律的随机因素的作用。 　　34 数据分解 　　1、此时间序列数据未呈现振幅逐步增大趋势，所以采用“和”的形式进行数据分解： 　　Y=T+S+P+ε 　　注：T表示趋势因子，S表示季节因子，P表示周期因子，ε表示随机噪声1、对Resi进行自相关和偏自相关分析 　　左边残差自相关分析（ACF）图显然不是“拖尾”（不是以指数速率递减），因此数据不平稳，需要进行差分，右边的残差偏自相关分析（PACF）条形图在q=1后就没有什么模式，称为q=1后“截尾”。 　　2、对Resi做2阶差分 　　2阶差分是指：X＼-i-X＼-i-2，得到新一组数据（diff2）后进行自相关和偏自相关分析：2阶差分自相关分析（ACF）图显然是q=1后截尾，2阶差分偏自相关分析（PACF）图可认为1阶后拖尾。 　　36 建立模型 　　根据上面推理，认为p=0，d=2，q=1。建立ARIMA（0，2，1）模型，用Matlab＼+[6—11]编程进行运算可得以下数据： 　　从P-Value 数据可看出：12阶、24阶、36阶和48阶LBQ不显著，说明残差是噪声。 　　37 进行预测 　　1、进行短期1天预测 　　根据构建的ARIMA（0，2，1）模型，预测（0828～1013）数据，用的方法是每次预测一个，然后填入真实值后预测下一个。这样迭代进行预测。 　　即：使用20120825 的真实数据预测 0828 的值 　　使用20120828 的真实数据预测 0829 的值 　　…… 　　2、长期30天的预测 　　根据构建的ARIMA（0，2，1）模型，用20120825）的数据预测了其后30天的价格趋势。 　　4结论 　　（1）从图9长期30