通过回归分析预测股票走势.docxVIP

通过回归分析预测股票走势 　　摘要：股票是一种用来募集资金的有价证券，对个人、集体、国家，以及社会的影响日渐增大，所以寻找一种有效的投资方法，成为了所有投资者的目标。本文运用多因素模型，有效市场假说，线性回归模型等方式分析对于股票的波动性产生影响的因素。通过研究不同因素对股票的波动趋势的影响强弱来寻找低价买入、高价抛出的机会，以求收益最大化。文中以google为例，因为美国市场历史悠久，趋于稳定，更加接近于半强型市场，所以从多家美国本土上市公司中，选择了著名网络公司google为实验对象。经过对于2012年～2018年的数据统计，整理出上百组数据并进行研究，用spss等工具进行进一步探究，然后从中挑选出成果最具有代表性的部分数据放入本文做参考数据。最终利用所得数据分析可知各因素对于股票波动的影响强弱。 　　关键词：有效市场假说；多因素模型；资本资产定价模型；多元线性回归 　　中图分类号：f8309文献识别码：a文章编号： 　　2096-3157（2019）07-0104-04 　　一、前言 　　1研究背景 　　股票是一种用来募集资金的有价证券，随着时代的发展，股票已经成为公民理财的重要方式之一，其在公民收入与支出中所占的比重也不断增大，与此同时也影响着国家、企业、个人的经济状况与环境以及社会和个人的可持续发展。股市中很多因素对于股票的波动性产生影响，因此，寻求一种有效的投资方法，成为了几乎所有投资者的首要目标。 　　当今信息技术日新月异使得数据的大规模增长，许多学者将数据挖掘、机器学习、神经网络应用在股票分析中。揭示事物发展规律变化的内部规律，发现不同事物之间的相互关系，使人们能够正确认识事物和科学决策，已经成为了金融分析领域的重要方法。 　　股票分析分为两种，一种是对于股市总体的评价和预测，这种分析有益于政府制定正确的政策，也有助于企业制定恰当的发展战略。另一种是针对单个股票的涨跌进行预测，其主要目的是为股民提供规避风险的参考。 　　目前，我们接近于一个半强型的市场，半强型市场中分析的作用效果甚微，而内幕消息却可能获得超额利润。比如拼多多出现了假货之后丑闻快速传播，股票在当天就有强烈的波动，通过对于股票因素的研究可以找到影响股票波动的重要因素，在一定范围内控制其波动，能够有效规避系统性风险与非系统性风险带来的损失。 　　本文的研究控制了平均月活跃人数，股票成交量，标准普尔，密歇根消费者信心指数，核心消费价格指数，失业率等指数，通过分析这些因素对于股票的影响强度，来寻找影响股票走势的重要因素。通过研究最终可以确定成果，而这也有利于个人选股，通过研究股票的波动趋势，寻找低价买入、高价抛出的机会，以求收益最大化。 　　2国内外文献综述 　　国内外许多学者都对波动幅度大的股票的影响因素进行了具体的分析。郝知远（2017）将数据挖掘的手段运用到股票分析中，实现了把握股票的涨跌规律、在眾多股票中选择优质股的难题。最后实现了一个量化选股方法。郑挺国，尚玉皇（2014）基于宏观基本面构建了多因子的广义自回归条件异方差——混频数据抽样（garch-midas）模型，并运用该模型对中国股市日度波动率进行估计及预测比较。卢钰（2013）机器学习一直是研究者研究的一个方向，但其中具有非普遍性。为了在小样本量的情况下实现机器学习，vvapnik（1995）等人基于统计学习理论（slt）的基础上提出了一种新的机器学习算法支持向量机（supporyvectormachine，简称svm）用于数据挖掘。贾云朋（2015）主要研究了数据挖掘在股价曲线的趋势预测。通过对比时间序列法以及马尔可夫预测法，最终发现后者更加适合预测单一股票短期的价格趋势。leilabateni（2014）采取了基于人工神经网络的方法，选取2012年～2013年美国纳斯达克的股市数据对模型进行训练并得到了准确的结果。当收盘指数大于3000点时，其预测错误率小于2%。nelsonmainawweru（2012）采取了基于rbf神经网络的模型对1990年～1999年香港股市进行分析，得到了相比于其他分析方式更为精确的结果，并且实现了对长线、短线的不同预测。 　　通过以上文献综述的研究，可以发现目前对于股票趋势的文章基本上以回归分析为主体拓展为数据挖掘、机器学习、神经网络应用等方面，再细分为数据统计分析、网络数据分析、日常数据分析等为方式进一步构建模型，分析研究。 　　二、研究方法 　　1多因素模型 　　因素模型是建立在证券收益率对各种因素或指数变动具有一定敏感性的假设基础之上的一种模型。主要分为： 　　单因素模型e（ri）=ai+bie（f）