基于arma模型的上证指数预测的实证报告.docxVIP

基于ARＭA模型的上证指数预测的实证报告 引言 生活中有很多问题都可以看成是时间序列问题，例如银行利率波动、股票收益率变化以及国际汇率变动等问题。所谓的时间序列问题,是指某一统计对象长时间内的数值变化情况。在实际应用中，经常会遇到许多不满足平稳性的时间序列数据，尤其是在经济、金融等领域。因此,能否有效地挖掘非平稳时间序列的有用信息,对于解决一些经济、金融领域的问题显得尤为重要。目前关于预测股票价格的研究文章有很多,这些已有研究大都采用回归分析、组合预测等方法对股票价格未来变动值进行探讨，得出股票价格在未来短期内的变化趋势及预测值,但预测结果并不非常精准,存在较大的误差。ARMA模型不仅可用于拟合平稳性时间序列问题，而且对非平稳时间序列问题同样具有良好的拟合效果,尤其是在金融和股票领域应用最为广泛。 本文主要针对 ２0１6－０４-１8 至 ２017-03-15 (共计222个工作日） 期间上证综合指数每日收盘价数据，建立上证综合指数每日收盘价预测模型，采用ARMA模型对上证综合指数每日收盘价进行高精度的拟合预测。研究结果表明,上证综合指数每日收盘价在短期内将保持平稳上涨，不会有大幅涨跌的情况。研究上证综合指数每日收盘价的短期变动情况了解股票市场变化及制定投资决策具有现实意义,能够为投资者和决策者提供可靠的信息服务及决策指导。 1 ARMA模型的理论介绍及平稳性检验 1.１ ARMA 1）时间序列的预处理,用ARMA(p ２）计算出样本自相关系数和偏自相关系数的值。 3)根据样本自相关系数和偏自相关系数,选取适当的ARMA(p ４）估计出模型中的未知参数。 5）检验模型的有效性,如果拟合模型通不过检验，转向步骤3,重新选择模型再拟合。 ６)模型优化：如果拟合模型通过检验，仍然转向步骤２,充分考虑各种可能，建立多个拟合模型，从所有通过检验的模型中选择最优模型。 7）利用拟合的模型,预测序列的将来走势。 1．２ ARMA 1) AR模型是指利用以前的观察值和当前的干扰值并通过一定的线性组合来进行预测与分析。AR y （1） 式中： yt为一个平稳时间序列,?i ( i = 1,2,…,p) 表示AR 2)MA 模型是利用以前的干扰值和当前的干扰值并通过一定的线性组合来进行预测。MA 模型的数学公式为: y （2） 式中:　yt为一个平稳时间序列，θj( j = 1,2,…,p)　表示AR模型的待定系数,p 3） ARMA模型: 是由AR模型和MA y （3) 1.3 一般而言,可以根据序列的自相关系数与偏自相关系数选择合适的模型。 (1）若自相关系数为拖尾，偏自相关系数为p阶截尾,则选择 AR( p) 模型 (2)若自相关系数为q阶截尾,偏自相关系数为拖尾，则选择 MA( q) (3）若自相关系数和偏自相关系数都为拖尾，则选择ARMA( p,q 如果难以确定 ARMA 1.4 ARMA模型的平稳性检验—— ADF检验的基本思想: 首先对 ? (4) 作回归,构造 ADF ADF= (5) 其中,S(δ)为参数 计算出ADF 检验统计量后，查ADF 临界表，看是否可以拒绝原假设δ=0。若 ADF 的绝对值超过ADF临界值的绝对值，则不接受原假设δ 2 上证综合指数每日收盘价的实证分析与预测 查找上证综合指数每日收盘价的历史数据,时间区间是 20１６-04-18 至 2０1７-02-2８，共有２1１个工作日作为样本内数据。主要是基于AR 2.1 原始数据的平稳化处理 图1上证指数每日收盘价历史数据 图2历史数据ADF检验结果 从图１可以看出，上证综合指数每日收盘价在2016－0４-18至2017-02-28期间内是非平稳的时间序列,对其进行ADF检验结果如图２,检验　_ｂｌank　统计量-1.08１２03都大于各临界值，可以认为历史序列在这些　HＹPＥRLIＮK ＂＂ \t ＂＿blank 显著性水平下都是非平稳的。 图3一阶差分后序列图 图４一阶差分后ADF检验结果 之后对原始数据取一阶差分(如图3），利用ADF检验来检验差分后数据的平稳性,若ADF检验结果未通过，则该一阶差分序列是非平稳的。ADF检验结果如图4所示,ADF检验统计量为-14．0４58３，其绝对值超过１% 的显著水平下临界值-３.4516３０的绝对值，因此不接受原假设，一阶差分后的序列是平稳的。 2.2　利用自相关图与偏自相关图识别序列的模型形式 由图5可知，一阶差分后序列的自相关图与偏自相关图的拖尾性显著，所以应该利用ARMA模型的建模理论建立模型，最后模型中的p、q值则需要利用 图6一阶差分后自相关偏相关图 由图5可知:　一阶差分后的相关图已经是白噪声过程了。因此选取如下 4种ARIMA模型进行比较，这4 ARIMA ( 2,1,1) 图7 ARIMA