基于上证指数收盘价标准差系数时间序列预测.docVIP

基于上证指数收盘价标准差系数时间序列预测 　　摘要：稳定性是衡量股票市场风险程度的一个重要的指标，主要通过方差的计算来对稳定性进行度量。本文通过对上证指数2008年12月到2012年1月每月全部交易日收盘价的标准差系数进行研究，运用ARIMA时间序列技术，得出预测模型，对未来的标准差系数进行预测。 　　关键词：上证指数 ARIMA时间序列技术 标准差系数 　　金融市场周期性的危机在目前看来是不可避免的。无论是经济学家、统计学家，还是金融数学家，都在尽最大努力开发各种金融风险预警指标和方法，以求规避风险。2008年金融危机后，风险管理逐渐成为人们竞相追捧的领域。以往人们研究金融市场时总是倾向于把股票价格的概率分布描述成正态分布，本文在分析数据时发现，股票价格的标准差系数类似于白噪声过程一样的上下随机波动。基于这一点，通过对历史数据的分析，完全有可能通过时间序列的预测功能得到未来某时点上的标准差系数值，从而对未来短期内股票市场总体风险进行可量化估计。这为金融监管者提供了一种对金融市场风险的直观认识，以期在危机到来之前做好准备。 　　一、数据介绍 　　本文所用数据来自于上证指数2008年12月到2012年1月每月的全部交易日收盘价，由于股票价格指数的时间序列每月均值和方差都在变化，本文将不直接使用每月的全部交易日收盘价的方差来进行分析，而是先对原始收盘价数据求完方差后，再计算出每月全部交易日的均值，通过这两个数据得出标准差系数，它们的标准差系数数据如表1。 　　二、时间序列中ARIMA模型的建立 　　（一）序列图描述 　　本文数据是根据时间顺序排列，处理数据方法可采用时间序列分析技术。时间序列数据是随机过程的一个特殊样本，在时间序列分析中，常用时间序列数据样本对其背后总体的随机过程进行推断，包括对时间序列的数字特征的推断。在ARIMA分析中，我们常用的数字特征有：均值函数、自协方差函数、自相关函数和偏自相关函数。本文使用以上数字特征对数据进行平稳性检验、白噪声检验，最终得出模型方程。 　　平稳时间序列是指时间序列的统计特征不会随时间的推移而发生改变，即生成时间序列数据随机过程的统计特征不随时间变化而变化。平稳时间序列分为严平稳和弱平稳，严平稳的条件在现实生活中很难实现，而弱平稳则较为普遍。弱平稳的条件是：（1）E（Yt）=μ，即期望为常数；（2）Var（Yt）=σ2，即方差也为常数；（3）Cov（Yt，Yt-k）=E（（Yt-μ）（Yt-k-μ））=γ（t，t-k），即随机过程两个间隔为k的随机变量间的协方差只与间隔k有关，与两变量所处的时点t无关。这是从数学角度的验证标准，在进行严格验证之前往往可以通过序列图的形状初步判断。一般地，平稳时间序列的序列图如果为一条围绕其均值上下波动的曲线，则可以认为是平稳时间序列。由本文数据得到的时间序列图如图1。 　　从图1可以看出，标准差系数从2008年12月骤然下跌，直观表明金融危机后期上证指数标准差系数的波动逐渐回稳，总体序列图成尖状脉冲图形，上下波动但不明显，需要做进一步的样本自相关函数检验。标准差系数作为衡量金融市场波动性的手段之一，反映外界信息对金融市场的冲击，无论是利好还是利空消息，都可能导致股票价格的突发性猛烈波动。由于整个金融市场中不良贷款的积累可能每20年出现一个峰值，这时候如果恰好遭遇标准差系数的波动峰值，若是利好消息引起的猛烈波动，则将加大不良贷款的违约风险，使系统崩溃提前发生；若是利空消息引起的，则可能导致极短时间内股价不可逆转的暴跌，在不良贷款和系统内波动的共同影响下，触发股市崩盘，引发金融危机。 　　这种标准差系数的波动还反映投资者的非理性投机行为。我国的金融市场刚刚兴起不久，政府干预力量巨大，相关法律不够健全，交易规则不够合理，风险管理意识淡薄。股票市场中小股民居多，他们往往缺乏投资的专业知识，对消息的敏感度高，当随机发生的信息进入股票市场时，就可能会引起投资者的强烈反应，所以序列图呈现尖状脉冲。 　　（二）ARIMA模型介绍 　　ARIMA模型是自回归单整移动平均时间序列的英文缩写，记为ARIMA（p，d，q），其中p是指组成ARIMA模型的自回归模型部分（AR（P））的阶数，记作Yt=φ1Yt-1+φ2Yt-2+...φpYt-p+μt，φ1、φ2、φp称为自回归系数，μt为随机干扰项，是一个白噪声过程；q是指ARIMA模型的移动平均模型部分（MA（q））的阶数，记作Yt=μt-θ1μt-1-θ2μt-2-...θqμt-q，μt、μt-1、μt-2、μt-q为滑动平均系数，是一组白噪声过程；d是指对原始数据差分的次数，在这里，“d阶单整”是指非平稳过程的时间序列数据d阶差分后是平稳的。所以ARIMA模型可写作AR模型与MA模型的合成，即：Yt=φ1Yt-1+