基于ARIMA模型对上证指数月度时间序列的分析和预测

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.     

局部线性光滑技术和ARIMA模型在股价动态预测中的应用

针对目前我国股票市场中难以对上市公司的股票价格从定量分析的角度进行有效预测这一突出问题,利用时间序列局部线性光滑技术并结合ARIMA建模方法,提出了股票价格序列的一步动态预测方法,用于股票价格序列的建模及股价短期预测,以期为企业和投资者在进行相关决策时提供有益的参考．最后,以两家上市公司近几年股票的周平均价格为例验证了预测结果的有效性．     

基于灰色理论与ARIMA模型的股票价格预测

利用组合模型对茅台股票价格进行预测。首先通过ADF检验观察价格时间序列是否平稳。其次,选择ARIMA、GM(1,1)、GM-ARIMA回归模型分别对股票价格序列进行拟合。最后,基于误差标准选择GM-ARIMA回归模型对茅台股价进行预测。结果表明,GM-ARIMA回归模型更能准确地预测茅台股票的股价。     

基于ARIMA-GARCH模型的股票价格预测研究

利用时间序列模型对宇通客车股票的收盘价格进行预测.首先利用ACF平稳性检验来判断时间序列是否平稳,然后,选择ARMA、ARIMA、ARIMA-GARCH进行性能比较.最后,根据相关准则选择ARIMA-GARCH优化模型对宇通客车股票价格进行预测.结果表明,构建的ARIMA-GARCH模型能更准确地预测宇通客车的股价.     

基于情感分析和GAN的股票价格预测方法

股票价格具有非平稳性和波动性特点,且投资者容易受自身情感影响,投资决策行为具有非理性特征,因此股票价格难以预测.针对预测股票价格的卷积神经网络情感分析方法存在文本标记分布不平衡问题,本文提出一种基于情感分析和生成对抗网络的股票价格预测方法.首先,建立金融领域情感词典库;然后,使用基于词典的情感分析方法计算金融文本数据的情感极性和投资者每天的总体情感指数;最后,利用生成对抗网络对股市波动进行预测,其中生成器生成股票序列数据,而判别器采用卷积神经网络对生成数据和真实数据进行区分.该方法能动态地更新股票价格预测结果且误差较小.     

关于股票价格的二阶模糊时间序列

由于股票价格的时间序列具有不确定性,股市的真实模型不容易建立,而模糊时间序列在解决模糊性数据和不确定性数据方面具有较大优势;因此,本文首先将数据进行预处理并改进论域划分的方法,然后利用三角隶属度函数进行数据的模糊化处理,再利用模糊化后的数据建立三层BP神经网络,最后,应用广义的逆模糊数公式将预测模糊集进行逆模糊化,从而得到预测结果.应用本文方法对印度国家银行(SBI)股票价格和Alabama 大学的入学人数进行预测,预测结果精度较高.     

GARCH-neural网络模型对股票价格买卖差波动率的预测

股票价格买卖差是衡量金融市场流动性和有效性的重要指标,已经得到学术界的广泛研究.相比而言,作为衡量股票市场风险的重要因素的股票价格买卖价差的波动率却没有得到相同的重视.在广义自回归条件异方差(generalized autoregressive conditional heteroscedasticity,GARCH)模型的基础上,提出了GARCH-neural network (GARCH-NN)混合模型分析股票价格买卖价差波动率的动态性.以深圳证券交易所成分股价指数的高频数据为样本对所提模型进行了实证分析.运用GARCH家族模型对股票价格买卖差波动率的动态性进行分析,得出预测效果最优的GARCH模型.在最优GARCH模型的基础上结合神经网络分析方法即GARCH-NN混合模型对样本数据进行了实证分析.比较分析最优GARCH模型和GARCH-NN混合模型对股票价格买卖差波动率的预测效果,并以AIC(Akaike information criterion)和BIC(Bayesian information criterion)作为检验模型预测效果的指标.实证结果表明,提出的GARCH-NN混合模型更优.     

基于ARIMA模型的时间序列数据挖掘方法改进

ARIMA模型是一种很重要的时间序列数据挖掘模型,但是这个模型往往只是对某个时间点进行研究.事实上一段时间往往影响未来的预测结果,就ARIMA模型的数据挖掘方法进行改进,并用美国IT界的股票价格数据对改进的模型进行了实证分析.结果显示改进后的模型与未来股票价格的预测更加准确.     

数据多维处理LSTM股票价格预测模型

股票的价格具有非线性、随机性等特征,为更精准地预测股票价格,充分利用股票价格数据的时间相关性和数据自身的变化趋势,提出数据多维处理的LSTM股票价格预测模型。通过对股票价格因子数据进行多维处理,提高数据有效信息,形成可以高度反映股票价格的多维数据,在此基础上建立长短期记忆网络组合预测模型,通过收集股市中的股票数据进行实验。实验结果表明,模型预测值与实际股价数据的均方根误差和平均绝对误差仅为0.013 2和0.010 3,相较于单一长短期记忆网络预测模型,2项误差分别降低90.81%和91.65%。数据多维处理LSTM股票价格预测模型具有较高的预测精度。     

股市预测的一个随机时间序列模型及其实证

给出了将非平稳时间序列转化为平稳序列构建自回归模型的步骤和方法.将这一方法具体运用于上证指数的预测,并证实该方法与实际吻合很好.最后讨论了该方法运用于股市波段预测应注意的问题.     

股 价 房 价 波 动 与 经 济 周 期 关 系

通过模型推导和实证分析研究了股价波动、房价波动与经济周期之间的相互关系,构建了一个分析三者之间关系的统一框架.理论分析和实证结果表明,股价是宏观经济的领先指标,房价与GDP、利率和CPI 具有紧密的正向关系,房价波动与经济周期基本同步,股价波动大大领先房价波动.     

基于二元VAR-GARCH(1,1)-BEKK模型的金融市场与石油市场的溢出效应研究

随着国际、国内金融市场互动的不断增强以及石油市场与金融市场作用的日益密切,石油背后的金融属性对自身价格的主宰也更加明显,国际金融因素更容易通过作用油价的方式影响中国的股票市场。以2002年后油价脱离传统面的波动为契机,运用VAR模型和GARCH-BEKK模型对三大市场的相关关系进行研究。结果表明,国际金融因素与国际石油价格相互作用后单向对中国股票市场产生溢出效应。这为中国在政策层面上采取措施缓冲和避免国际油价波动给中国股票市场带来的不利冲击,维护中国石油价格和经济发展的稳定提供必要的参考和指引。     

A theory of power-law distributions in financial market fluctuations

Insights into the dynamics of a complex system are often gained by focusing on large fluctuations. For the financial system, huge databases now exist that facilitate the analysis of large fluctuations and the characterization of their statistical behaviour. Power laws appear to describe histograms of relevant financial fluctuations, such as fluctuations in stock price, trading volume and the number of trades. Surprisingly, the exponents that characterize these power laws are similar for different types and sizes of markets, for different market trends and even for different countries--suggesting that a generic theoretical basis may underlie these phenomena. Here we propose a model, based on a plausible set of assumptions, which provides an explanation for these empirical power laws. Our model is based on the hypothesis that large movements in stock market activity arise from the trades of large participants. Starting from an empirical characterization of the size distribution of those large market participants (mutual funds), we show that the power laws observed in financial data arise when the trading behaviour is performed in an optimal way. Our model additionally explains certain striking empirical regularities that describe the relationship between large fluctuations in prices, trading volume and the number of trades.     

变点对状态空间模型预测的影响分析

利用变点理论对上证指数进行了分析,得到了全涨全跌股指的变点个数及其所处位置．根据上证指数变点个数的不同,分别对三个不同时段的上证指数建立状态空间模型,通过比较预测结果,得出变点越少的状态空间模型,其预测精度越高的结论．最后在没有变点的情况下比较了ARIMA、自回归与状态空间模型的预测结果,说明了状态空间模型具有更好的预测效果．     

基于GARCH模型的股票买卖时机分析

通过对股票收盘价格的历史数据进行处理分析,建立GARCH模型,此模型较好的描述股票价格的条件异方差性,同时用此方法对股票价格进行拟合和预测,利用预测数据分析股票较好的买卖时机.     

沪港通对A股市场的影响—基于ARIMA模型的预测分析

股票市场是实体经济的睛雨表,沪港通的实行对中国股票市场的影响较大,本文利用ARIMA模型对沪港通正式开通前后一段时间的上证综指进行模拟预测,通过建立模型、参数估计、残差检验及追溯模拟分析了沪港通对我国股票市场的影响。预测结果显示,在沪港通正式实行后的一段时间内,上证综指的实际值与预测值的差值大部分为正数,该结果表明：由于投资者信心的提升以及股票市场的资金注入量的加大,沪港通的实行对我国股票市场产生了一定的正向影响。     

我国粮食价格对零售物价总水平影响的ARIMA模型分析

利用ＡＲＩＭＡ模型（鲍克斯－詹金斯模型）定量测算了粮食价格对整个国民经济以及零售物价总水平的影响．通过对粮食价格变动的影响机制的分析和对影响零售物价总水平的测算方法的研究,说明我国目前农业面临的困难．研究表明,粮食价格对零售物价总水平影响重大．研究结果对我国农业经济发展有着重大的现实指导意义．     

ARIMA模型在股价预测上的应用及其傅里叶修正

ARIMA模型静态预测精确度较高,但是只能预测下一期的值,动态预测可以预测多期的值,但是不能很好的给出股价走势.现以股票价格走势为例,首先利用ARIMA模型动态的预测序列未来多期的值,再结合傅里叶级数预测法建立修正的预测模型,以得到较为准确的股价走势.