基于sarima模型的分析及预测.docxVIP

基于SARIMA模型的分析及预测 一、研究背景 众所周知，对金融产品的价格预判是众多投资者在投资决策、风 险评估、资金管理中至关重要的一环。如何利用科学的分析方法，对 海量数据进行有效分析、深度挖掘，并建立价格预测 模型，形成研发 竞争力，这是长期以来，所有金融研究人员殚尽竭虑、穷尽个人和团 队智慧，孜孜以求想要解决的一道重要 课题，许多经济学家和金融精 英也围绕价格走势的预测进行了大量的理论研究和实证分析。 经典研究结果证明：大多数K线图是按照时间顺序记录的图表呈 现，是连续随机过程的离散化观察结果，可以作为时间序列进行处理。 本文主要运用时间序列的确定性因素分解方法和 SARIMA（季节时间 序列，Seas on alAutoregressive In tegratedM ovin gAverag模型分析法， 借助于EXCEL加载宏和EVIEWS软件对数据进行处理和模型拟合， 尝试得到对现货黄金价格的走势预测，也由此建立量化研究的初步参 考。因其中涉及过多的专业术语和金融知识，我们不希望使得文章看 起来过于晦涩，所以弱化了其中复杂的数据处理和校验诊断过程，以 更为简单直观的方式呈现给大家，也欢迎更多的深入研讨和指正建议 、SARIMA模型简介 本文认为，任何时间序列在经过合理的函数变换之后，都可以分 拆为3项：即趋势项、周期项和随机项。趋势项反映的是整体价格走 势的方向，周期项则表示特定时间周期内的价格变化特点；随机项， 则考虑的是不确定或者突发条件下（比如当前的美国债务谈判、地缘 政治、恐怖袭击、央行干预等等），产生的价格随机信号和随机噪声 （我门需要在数据整理 过程中，剔除噪音项），以出项的效果叠加， 形成了资产的即期价格。 SARIMA模型，全称为自回归单整移动平均季节模型，主要是基 于经济学理论知识和计量经济学方法，对研究标的物的变量因素建立 序列回归，并利用样本数据观察值（周期页）和随机项对价格走势进行 短期测算。 三、数据选取和模型建立 3.1原始数据预处理：本文以现货黄金2013年1月1日至7月15 日的日收盘数据为时间序列变量，如图1所示，可以明显看出这个时 间序列存在异方差，在经过对数处理、一阶差分和季节差分处理后， 自相关和偏自相关均已落入随机区 间，女0图2,可以认为处理过后的 序列 图3）为平稳的时间序列，进入模型建立和测试阶段。 本文来自：国鑫黄金 图山现货黄金收盘价 图2： 自 g列 VAROOOOd 合丘 Box-Ljuna 纟克i+里 dt Sia b 1 .226 035 40 769 1 .000 2 .324 .039 110.150 2 .000 3 312 .038 176 352 3 000 4 .146 .035 193.285 4 ,000 5 .297 .038 255 102 5 .000 6 .169 .036 277.113 6 .000 7 .354 ?038 362 056 7 .000 8 .259 .036 41 7.307 8 .000 9 .233 .038 455 308 9 .000 10 .114 .032 467 823 10 .000 1 1 .229 .035 509 613 11 000 12 ,85 .035 536 982 12 .000 13 .160 .033 560 560 13 .000 1 4 ,206 .035 594 405 14 .000 15 .144 .035 610 909 15 000 16 .246 .035 660 855 16 .000 a假定的提砒过H是独立性《白11仝曰〉。 b戛于渐近卡方近似。 1 o-O卓 1 o- MU J.fU HU入卜做 0 5- u. M O O □Be 图3： —阶差分后时间序列图 0 04 3.2预测模型建立 在得到平稳的时间序列数据之后，我们尝试建立SARIMA模型, 经过参数估计、数据拟合和ADF检测后，软件输出的预测和检验结 果如下图所示: S^ciet 1LSOCCOI ^XfXt*KWII.7QGDC10 20 ? 50恥 TO iio m m110 S^ciet 1 LSOCCO I ^XfX t*KW I I.7QGDC 10 20 ? 50 恥 TO i io m m 110 -^rr(S4d M —甘岭随陡■ U??r 96% ^44CMtt Per?4i to jaretMl ConAdtnc ? rfWvi* nJ 11K7D ^Mean 】如林 Msrinwi 1.S78 90 Un 7i 1251 Q Summit 50 Sunk MAD U46 TWiU DutirWAon JT2 Xddsd (1) WUMA TrnMomiMn 18 e