工夫序列剖析是经济畛域使用钻研最宽泛的对象之一,它用失当的模子形容汗青数据随工夫变动的法则,并剖析预测变量值。ARMA模子是一种最多见的首要工夫序列模子,被宽泛使用到经济畛域预测中。给出ARMA模子的模式以及完成办法,而后连系详细股票数据揭示股票变换的法则性,并运用ARMA模子对股票价钱进行预测。
拔取长江证券股票详细数据进行实证剖析
1.数据拔取。
因为工夫序列模子往往需求年夜样本,以是这里我拔取长江证券从09/03/20到09/06/19日收盘价,先后约三个月,总计60个样本,根本餍足ARMA建模要求。
数据起源:年夜智慧股票剖析软件导出的数据(股价趋向图以下)
从上图可看出有肯定的趋向走向,应为非颠簸进程,对其取对数lnS,再察看其颠簸性。
2.数据颠簸性剖析。
先用EVIEWS天生新序列lnS并用ADF测验其颠簸性。
(1)ADF颠簸性测验,起首间接对数据颠簸测验,没经过测验,即不服稳。
能够看出lnS不经过测验,也是一个非颠簸进程,那末咱们想到要对其进行差分。
(2)一阶差分后颠簸性测验,ADF测验后果以下,经过1%的明显测验,即数据一阶差分后颠簸。
能够看出差分后,显著看出ADF Test Statistic 为-5.978381相对值是年夜于1%的明显程度下的临界值的,以是能够经过颠簸性测验。
3.确定实用模子,并定阶。能够学生成原始数据的一阶差分数据dls,并观测其相干系数AC以及偏偏自相干系数PAC,以确定其是为AR,MA或许是ARMA模子。
(1)先观测一阶差分数据dls的AC以及PAC图。经测验能够看出AC以及PAC皆不显著的截尾性,测验考试用ARMA模子,详细的滞后项p,q值还需用AIC以及SC详细确定。
(2)测验考试没有同模子,依据AIC以及SC最小化的原理确定模子ARMA(p,q)。经多轮比拟没有同ARMA(p,q)模子,能够患上出绝对应AIC 以及 SC的值。
通过屡次比拟终极发现ARMA(1,1)进程的AIC以及SC都是最小的。终极拔取ARIMA(1,1,1)模子作为预测模子。并患上出此模子的详细表白式为:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模子的测验。拔取ARIMA(1,1,1)模子,定阶以及做参数预计后,还应答其残差序列进行测验,对其残差的AC以及Q统计测验发现其残差自相干根本正在0左近,且Q值根本经过测验,残差没有显著存正在相干,便可以为残差中不蕴含太多信息,模子拟合根本合乎。
5.股价预测。行使以上患上出的模子,而后对长江证券6月22日、23日、24日股价预测患上出预测值并与实际值比拟以下。
有肯定的偏差,但相比后期的涨跌趋向根本吻合,这里呈现第一个偏差凌驾料想的是由于6月22日正好是星期一,动摇较年夜,这里正验证了有钻研文章用GARCH办法患上出的星期一动摇年夜的后果。除了了星期一的偏差年夜点,其余日期的偏差皆正在承受范畴内。
综上所述,ARMA模子较好的处理了非颠簸工夫序列的建模成绩,能够正在工夫序列的预测方面有很好的体现。借助EViews软件,能够很不便地将ARMA模子使用于金融等工夫序列成绩的钻研以及预测方面,为决议计划者提供决议计划指点以及协助。当然,因为金融工夫序列的复杂性,很好的模仿还需求更进一步的钻研以及讨论。正在前期,将持续正在这方面做出本人的试探。
