基于时间序列分析股票上证指数走势.doc

基于时间序列分析股票上证指数走势.doc基于时间序列分析股票上证指数走势
摘要：本文应用时间序列对上证指数历史数据进行研究分析，并建 立预测模型，以研究2014年上证指数的变化规律。利用统计分析软件分 别对其开盘价格进行分析，应用时间序列分析方法建立模型对上证指数作 预测分析，以得出接近真实值的预测值，并对模型进行检验，证明有效后, 对未来数据进行短期预测。
关键词：时间序列分析上证指数ARIMA (p, d, q)模型预测
1 •引言
“炒股票”是人们□常生活中一种非常常见的活动，但是受多种不确 定因素的影响，股票价格往往随时间的变化而变化，导致股市呈现出随机 性和非线性的波动趋势，这无疑给投资者们带來巨大的投资风险。本文以 上证指数的历史数据为研究对象，分析并对其建立ARTMA模型。对所建立 的模型进行检验和参数估计，检验其适应性以找到更优化的模型。应用模 型对上证指数数据进行分析和预测，对2014年的上证指数的趋势走向进 行分析说明。


对于时间序列的预处理主要是对数据进行三个方血的分析，即直观分 析，特征分析和相关分析。
2.
(1)序列图直观检验
绘制原始数据(见表1)序列open的序列图，如图2-1所示：
从序列图直观分析，可以看出序列不符合零均值同方差的特征，初步 判断序列不平稳。
。通过各种数据处理方法将数据的非 平稳特性从序列中分离出来，将其转为平稳的时间序列。
对原序列open进行一阶差分，生成一阶差分序列openl,其序列图如 图2-2所示：
图2-2 一阶差分序列时序图
Openl序列的时间序列图始终围绕一个常数值波动，因此可以认为该 序列是平稳序列°

模型的初步识别和定阶。由原始数据的分析与处理可知，2013 年9月1日至2014年4月14日上证指数的开盘价格数据时间序列是一个 非平稳的时间序列，但是一阶差分后序列满足平稳性，故可以使用ARIMA
(P，d, q)模型对其进行拟合。根据自相关图和偏相关图，可以看出， 口相关系数和偏相关系数都是拖尾的,则openl为ARMA (p, q)序列。初 步确定适合阶数
P的取值为3、6,适合阶数q的取值也为3、60 ARIMA模 型组合共有四组：ARTMA (3, 1, 3), ARTMA (3, 1, 6), ARTMA (6, 1, 3), ARIMA (6, 1, 6)o
模型的适应性检验。即检验残差序列是否为白噪声序列。原假
设是剩余序列是相互独立的白噪声序列，分别对各模型进行检验，结果显 示F统计量均大于显著性水平，所以接受原假设，认为残差序列是白噪 声序列，四组模型都通过了检验。
根据AIC准则，我们选择ARIMA (3, 1, 6)模型对open序列进彳亍建 模。ARTMA (3, 1, 6)模型的适应性检查，如图2-3所示：
图2-3 ARIMA (3, 1, 6)模型的适应性检查
从上图可以看出，ARIMA (3, 1, 6)模型的拟合曲线基本接近。
3预测结果及误差
在进行模型预测的时候，用于对模型进行检验的数据是从2014年3 月1日到4月1日的每天的上证指数开盘价格，如果模型的拟合效果比较