基于时间序列和半参数模型的股指分化值预测
发布时间：2021-02-25 12:31
我国的金融市场在经济发展中起到蓄水池的作用,它不仅可以储存资本,还能够将储蓄灵活快速地变为投资,促进了整个社会资本的合理分配。股票市场作为金融市场中重要、特殊的一个分支,与宏观经济相互影响,研究股票市场的发展对剖析宏观经济具有重要作用。相较于单个股票指数,如今在股市中以两种股票指数分化值为参考的交易模式日渐流行,该种交易模式具有诸多优点,如:趋势性明显、扩大资金管理的额度、规避风险等。本文以2016年11月18日至2019年11月18日为研究时间跨度,选取该时间段内731个交易日的中证500和上证50两种股票指数的分钟收盘价数据,计算分化值的分钟数据,而后计算单日内分化值极差作为目标序列进行建模分析,旨在对其进行预测,并深入研究影响因素,为交易提供参考性的建议。针对股票市场数据的研究多用时间序列模型,本文分析确定分化值研究的可行性后,对单日内分化值极差序列创建传统的ARIMA模型,分析当前值与过去值的线性关系,并作五步预测。在ARIMA模型的基础上,添加分化值大于0.5的总波段幅度和、早盘分化极差、中证500指数的单日内幅度极差、上证50指数的单日内幅度极差、单日最小分化值五个影响因素...
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图４－４模型１原数据与一阶差分数据对比图??根据图４－４上图，跨度一年的２２２个交易日的单日内分化值极差序列没有整??
?一?二三一?四?￡??真实值?２．４］?２．８６?１．１７?１．７１?１．１??真極等３?Ｉ?１一?７?Ｉ?Ｂ??运测值?１．０６?１．０６?１．０６?１．０６?１．０６??—预麗值等?ｔ??Ｂ?Ｂ?Ｂ?Ｂ?一??４．２．２模型二??对２０１６年１１月１８日至２０１８年１１月１８日的４８８个交易日单日内分化值极??差数据进行数据预处理，去除极差大于２的异常值后剩余４３４个数据，对序列进??行平稳性检验并绘制原数据图像和一阶差分数据图像如图４－５所示，发现原序列??和一阶差分序列虽然均通过平稳性检验，但是从图像看，一阶差分的序列波动更??加随机，没有分区间表现出来的趋势性，所以确定对原数据进行一阶差分处理后??再进行建模。??模型２鹿数据??Ｉ?｜?Ｉ?ｉ?ｉ??０?１００?２００?３００?４００??交易日??一阶差分??１?Ｉ?Ｉ?Ｉ?Ｉ??０?１００?２００?３００?４００??交易日??图４－５模型２原数据与一阶差分数据对比图??与模型一确定阶数的方法相同，确定应用３ｉ？／Ｍ４（４，Ｕ）模型对分化值极差序??列进行建模分析，拟合得到模型表达式为：??Ｍ，?＝?０．０７９８Ｍ，．，?＋?０．０２０８Ｍ，＿２?－?０．０５３?＼Ｍ，＿３?＋?０．０７５６Ａｆ，＿４?＋?／?＋?０．９２９０ｆ，＿ｘ?＋?ｅ，??对ｄ７？／Ｍ４（４，Ｕ）模型的残差序列进行独立性检验，显示Ｐ值大于０．０５，原假??３３??
—１＿??真实值?１．４５?１．２８?１．２４?０．８７?２．４３??真实值等级?Ｂ?Ｂ?Ｂ?Ｃ?Ａ??预测值?１．１１?１．１３?Ｌｌ＾?Ｌ０８?１．１１??麵孤福?Ｂ?Ｂ?Ｂ?Ｂ?Ｂ??４．２．３模型三??对２０１６年１１月１８日至２０１９年１１月１８日的７３１个交易日单日内分化值的??极差数据进行数据预处理，去除分化值极差大于２的异常值后剩余６５１个数据，??对序列进行平稳性检验并绘制原数据图像和一阶差分数据图像如图４－６，发现原??序列和一阶差分序列虽然均通过平稳性检验，但是从图像看，一阶差分的序列波??动更加随机，没有分区间的趋势性。??原数据??ｌ；ｊ??Ｉ?Ｉ?Ｉ?ｉ?ｉ?ｉ?ｉ??０?１００?２００?３００?４００?５００?６００??交易日??一阶差分??＊?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??０?１００?２００?３００?４００?５００?６００??交易日??图４－６模型３原数据与一阶差分数据对比图??与模型一确定阶数的方法相同，确定使用模型对分化值极差序??列进行分析和预测，得到模型表达式为：??Ｍ，?＝?０．０６６３Ｍ，＿，－０．０２１２Ｍ，＿２?－０．０９１７Ｍ，＿３?＋０．０３６７Ｍ，＿４?＋?ｆ，?＋０．８９６５??对乂？＿（４，１，１）模型的残差序列进行独立性检验，Ｐ值大于０．０５，接受原假??设，认为残差序列独立，说明模型合理。??模型预测结果及等级如下表：??３４??
【参考文献】：
期刊论文
[1]基于ARIMA模型对股票和指数预测结果的简单比较分析[J]. 张亚婕. 市场研究. 2019(11)
[2]基于ARIMA模型的证券利率时间序列研究预测[J]. 吕淑睿. 科技经济导刊. 2019(14)
[3]基于ARIMA-GARCH模型对股票数据处理过程的探讨和研究[J]. 于雅凝,过榴晓. 科教导刊(下旬). 2018(06)
[4]函数型非参数模型的股市曲线预测[J]. 夏道明. 统计与决策. 2018(08)
[5]随机森林在股票趋势预测中的应用[J]. 张潇,韦增欣. 中国管理信息化. 2018(03)
[6]基于非参数和半参数CARR模型的上海股票市场波动性研究[J]. 郭名媛,韩志楠. 重庆理工大学学报(自然科学). 2017(09)
[7]基于R软件的金融时间序列的预测分析[J]. 李瑞阁,庄元颖,李聪聪. 电子技术与软件工程. 2016(20)
[8]基于部分函数型线性回归模型的上证指数预测[J]. 程丽娟. 泰山学院学报. 2016(03)
[9]大小盘股票估值分化之谜[J]. 曹文俊. 股市动态分析. 2014(07)
[10]部分线性模型在重庆地区生产总值分析与预测中的应用[J]. 刘锋,银利,张星. 重庆理工大学学报(自然科学). 2013(10)
硕士论文
[1]基于部分线性模型的房价预测[D]. 张利君.哈尔滨工业大学 2018
[2]我国A股市场大小盘风格轮动效应分析[D]. 徐咏.暨南大学 2016
[3]基于部分线性模型的可燃物含水率预测模型[D]. 周涛.东北林业大学 2016
本文编号：3050971
【文章来源】：山东大学山东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图４－４模型１原数据与一阶差分数据对比图??根据图４－４上图，跨度一年的２２２个交易日的单日内分化值极差序列没有整??
?一?二三一?四?￡??真实值?２．４］?２．８６?１．１７?１．７１?１．１??真極等３?Ｉ?１一?７?Ｉ?Ｂ??运测值?１．０６?１．０６?１．０６?１．０６?１．０６??—预麗值等?ｔ??Ｂ?Ｂ?Ｂ?Ｂ?一??４．２．２模型二??对２０１６年１１月１８日至２０１８年１１月１８日的４８８个交易日单日内分化值极??差数据进行数据预处理，去除极差大于２的异常值后剩余４３４个数据，对序列进??行平稳性检验并绘制原数据图像和一阶差分数据图像如图４－５所示，发现原序列??和一阶差分序列虽然均通过平稳性检验，但是从图像看，一阶差分的序列波动更??加随机，没有分区间表现出来的趋势性，所以确定对原数据进行一阶差分处理后??再进行建模。??模型２鹿数据??Ｉ?｜?Ｉ?ｉ?ｉ??０?１００?２００?３００?４００??交易日??一阶差分??１?Ｉ?Ｉ?Ｉ?Ｉ??０?１００?２００?３００?４００??交易日??图４－５模型２原数据与一阶差分数据对比图??与模型一确定阶数的方法相同，确定应用３ｉ？／Ｍ４（４，Ｕ）模型对分化值极差序??列进行建模分析，拟合得到模型表达式为：??Ｍ，?＝?０．０７９８Ｍ，．，?＋?０．０２０８Ｍ，＿２?－?０．０５３?＼Ｍ，＿３?＋?０．０７５６Ａｆ，＿４?＋?／?＋?０．９２９０ｆ，＿ｘ?＋?ｅ，??对ｄ７？／Ｍ４（４，Ｕ）模型的残差序列进行独立性检验，显示Ｐ值大于０．０５，原假??３３??
—１＿??真实值?１．４５?１．２８?１．２４?０．８７?２．４３??真实值等级?Ｂ?Ｂ?Ｂ?Ｃ?Ａ??预测值?１．１１?１．１３?Ｌｌ＾?Ｌ０８?１．１１??麵孤福?Ｂ?Ｂ?Ｂ?Ｂ?Ｂ??４．２．３模型三??对２０１６年１１月１８日至２０１９年１１月１８日的７３１个交易日单日内分化值的??极差数据进行数据预处理，去除分化值极差大于２的异常值后剩余６５１个数据，??对序列进行平稳性检验并绘制原数据图像和一阶差分数据图像如图４－６，发现原??序列和一阶差分序列虽然均通过平稳性检验，但是从图像看，一阶差分的序列波??动更加随机，没有分区间的趋势性。??原数据??ｌ；ｊ??Ｉ?Ｉ?Ｉ?ｉ?ｉ?ｉ?ｉ??０?１００?２００?３００?４００?５００?６００??交易日??一阶差分??＊?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??０?１００?２００?３００?４００?５００?６００??交易日??图４－６模型３原数据与一阶差分数据对比图??与模型一确定阶数的方法相同，确定使用模型对分化值极差序??列进行分析和预测，得到模型表达式为：??Ｍ，?＝?０．０６６３Ｍ，＿，－０．０２１２Ｍ，＿２?－０．０９１７Ｍ，＿３?＋０．０３６７Ｍ，＿４?＋?ｆ，?＋０．８９６５??对乂？＿（４，１，１）模型的残差序列进行独立性检验，Ｐ值大于０．０５，接受原假??设，认为残差序列独立，说明模型合理。??模型预测结果及等级如下表：??３４??
【参考文献】：
期刊论文
[1]基于ARIMA模型对股票和指数预测结果的简单比较分析[J]. 张亚婕. 市场研究. 2019(11)
[2]基于ARIMA模型的证券利率时间序列研究预测[J]. 吕淑睿. 科技经济导刊. 2019(14)
[3]基于ARIMA-GARCH模型对股票数据处理过程的探讨和研究[J]. 于雅凝,过榴晓. 科教导刊(下旬). 2018(06)
[4]函数型非参数模型的股市曲线预测[J]. 夏道明. 统计与决策. 2018(08)
[5]随机森林在股票趋势预测中的应用[J]. 张潇,韦增欣. 中国管理信息化. 2018(03)
[6]基于非参数和半参数CARR模型的上海股票市场波动性研究[J]. 郭名媛,韩志楠. 重庆理工大学学报(自然科学). 2017(09)
[7]基于R软件的金融时间序列的预测分析[J]. 李瑞阁,庄元颖,李聪聪. 电子技术与软件工程. 2016(20)
[8]基于部分函数型线性回归模型的上证指数预测[J]. 程丽娟. 泰山学院学报. 2016(03)
[9]大小盘股票估值分化之谜[J]. 曹文俊. 股市动态分析. 2014(07)
[10]部分线性模型在重庆地区生产总值分析与预测中的应用[J]. 刘锋,银利,张星. 重庆理工大学学报(自然科学). 2013(10)
硕士论文
[1]基于部分线性模型的房价预测[D]. 张利君.哈尔滨工业大学 2018
[2]我国A股市场大小盘风格轮动效应分析[D]. 徐咏.暨南大学 2016
[3]基于部分线性模型的可燃物含水率预测模型[D]. 周涛.东北林业大学 2016
本文编号：3050971
本文链接：https://www.wllwen.com/guanlilunwen/huobilw/3050971.html
