基于时间序列分析的股票预测模型研究

发布时间：2020-10-27 09:45

　　 在现代金融浪潮的推动下,越来越多的人加入到股市,进行投资行为,以期得到丰厚的回报,这极大促进了股票市场的繁荣。而在这种投资行为的背后,越来越多的投资者逐渐意识到股市预测的重要性。所谓股票预测是指:根据股票现在行情的发展情况地对未来股市发展方向以及涨跌程度的预测行为。这种预测行为只是基于假定的因素为既定的前提条件为基础的。但是在股票市场中,行情的变化与国家的宏观经济发展、法律法规的制定、公司的运营、股民的信心等等都有关联,因此所谓的预测难于准确预计。即使是证券分析师的预测也只能作为股民入市操作的一般参考意见。时间序列数据因为接受到许多偶然因素的影响,会常常表现出随机性,在统计学上称之为序列的依赖关系。 时间序列分析是经济预测领域研究的重要工具之一,它描述历史数据随时间变化的规律,并用于预测经济数据。在股票市场上,时间序列预测法常用于对股票价格趋势进行预测,为投资者和股票市场管理管理方提供决策依据。 本文主要介绍了时间序列分析方法的概念,性质,特点以及时间序列模型,包括建模时对数据时间序列的预处理、模型识别、参数估计、模型检验、模型优化以及模型预测等。并根据道琼斯指数对收盘价进行短期预测,通过对时间序列分析理论的实证研究分析,建立时间序列模型,其中包括ARIMA模型、Auto-Regressive模型和AR-GARCH模型,进过拟合效果比较和误差分析,说明时间序列分析的方法对于股票价格的预测趋势有一定的参考价值。
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2011
【中图分类】：F224;F830.91
【部分图文】：

图 2-1 一个典型的白噪声序列图的性质：1） 纯随机性： γ( k) = 0， k≠0，各序列值之间没有任何相“没有记忆”的序列；2） 方差齐性： (0)2=γ =σtDX 。马尔科夫定理，可知用最小二乘法计算出的参数估计值只有效地。所以需要对白噪声进行检验，称之为白噪声检验或纯根据 Barlett 定理进行。arlett 定理[2]：假如一个时间序列为纯随机时间序列，那么对k 的 序 列 来 讲 ， 序 列 的 样 本 自 相 关 系 数 近 似 服 从 ),01(0, k≠n。 Barlett 定理，可以对时间序列进行纯随机性检验，假设条件

表 3-1 AR、MA、ARMA 性质 平稳序列建模如果一个时间序列通过数据的预处理、纯随机性检验得出该序列为序列，那么此时就可以通过下面的流程建立模型：

图 4-1 建立 ARIMA 模型步骤4.3.4 异方差及方差齐性变换使用 ARIMA 模型拟合非平稳序列时，对残差有一个很重要的假定—序列{ }tε 为零均值白噪声序列。也就是说，残差序列需要满足以下三个条件（1） ( )=0;tE ε （2） ( ,)=0, ≥1; Covittiεε（3）2()εε =σtVar如果方差齐性假定不成立，那么就有可能出现了方差不一致的情况，即出方差，所谓异方差是指序列值会随着时间的变化而变化，可以用数学公式表Var( )h(t)tε=
【引证文献】

相关硕士学位论文 前2条

1 蒋波;基于混沌优化的多尺度小波核v-支持向量机及其在股票市场中的应用[D];兰州大学;2012年

2 许雁;基于随机微分方程模型的金融时间序列预测的研究[D];济南大学;2012年

本文编号：2858359