基于ARIMA模型对上证指数月度时间序列的分析和预测 .pdfVIP

基于ARIMA模型对上证指数月度时间序列的分析和预测

崔远远;文忠桥

【摘要】股票价格指数的影响因素错综复杂,现阶段影响我国股票价格的主要领域

是银行储蓄、债券市场、期货市场、房地产,汇率等,从目前金融学发展的趋势和广

大投资者对股票市场众多金融工具迫切的需求来看,通过建立恰当的时间序列模型

可以达到对股票价格整体走势进行大致的预测的目的.本文选取了从2011年12月

我国加入WTO至2014年7月以来的上证综合指数的月度数据,通过建立ARIMA

模型采用一步向前静态预测的方法对我国股市2014年8月的上证综合指数进行了

预测,发现我国2014年前两个季度以来整体股市呈现上升的趋势.本文的创新之处

在于对样本数据取了对数,从而消除了时间序列中的自相关和异方差,同时使得预测

值接近实际值,效果良好,希望对广大股民提供借鉴参考.

【期刊名称】《枣庄学院学报》

【年(卷),期】2015(032)002

【总页数】5页(P102-106)

【关键词】ARIMA(自回归单整移动平均模型);上证综合指数;一步向前静态预测;B-

J方法论

【作者】崔远远;文忠桥

【作者单位】安徽财经大学金融学院,安徽蚌埠233000;安徽财经大学金融学院,安

徽蚌埠233000

【正文语种】中文

【中图分类】F832.5

股票价格是国民经济运行的“晴雨表”，它的形成和波动受到国内外各种政治经济

的影响，为了更好的研究股票市场的运行，我们可以借助于研究股票指数，股票指

数是描述股票市场总的价格水平变化的指标，上证指数由上海证券交易所利用自己

的业务知识和熟悉市场的优势编制而成，并且公开发布，具有一定的权威性.投资

者据此就可以检验自己投资的效果，并用以预测股票市场的动向.同时，新闻界、

公司老板乃至政界领导人等也以此为参考指标，来观察、预测社会政治、经济发展

形势.由于股票价格变幻莫测，运用传统时间序列难以进行描述而且耗时耗力［1］.

因此我们可以采用ARIMA模型，它是一种精度较高的时序短期预测方法，通过该

模型对上证综合指数进行研究，能够更本质的认识其结构与特征，以达到方差最小

意义下的最优预测［2］.

1.1ARIMA模型的理论内涵

所谓ARIMA模型，是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对

它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型.如果时间序列

(1)

则称该时间序列(p，q)阶的自回归移动平均模型，记为ARMA(p，q).金融时间序

列中大多数都不平稳，我们通过一次或者多次差分的方法将其转变为平稳时间序列.

如果序列{}经过d次差分后得到平稳时间序列，并运用了ARMA(p，q)过程对建

立模型，则称为(p，d，q)阶自回归单整移动平均过程，简称ARIMA.

1.2运用B-J方法论对ARIMA进行建模步骤

1.2.1模型识别

首先对模型进行平稳性检验，若不平稳则对其进行差分，差分n次则d=n，然后

再根据观察已经平稳的序列的自相关图和偏自相关图并分析其拖尾及截尾情况，确

定自回归阶数p和移动平均阶数q.

1.2.2模型估计

当上述合适的d，p，q已经得到确认后，接下来运用OLS法或者极大似然估计法

来进一步估计和移动平均系数.

1.2.3模型检验

模型估计后应该对模型的适合性进行检验.为了判断残差序列是否随机，可以采用

检验.若通过检验，则认可所估计的模型，否则则需要从第一步重新开始.同时为了

更好地拟合数据则是在模型中增加滞后项，然后根据AIC和SC原则进行判断.

本文以上证综合指数的月度收盘价格作为研究对象，选取了从2001年12月11

日我国加入WTO至2014年7月14日的月度收盘价格(剔除了不交易的日期)共

计152个数据，满足了股价指数研究大样本的需求，运用ARIMA模型建模，数

据来源于大智慧网站下载后输入EVIEWS6.0实现建模分析［3］.

2.1识别时间序列数据的平稳性

为了消除或者减少时间序列中存在的自相关和异方差的情况，同时不影响模型分析

结果，对所有的数据取对数.设2001年12月为第一个月度收盘价，2002年1月

为第二个