做時間序列分析的股票數據

❶ 運用EVIEWS來分析 股票交易日數據（數據就自然不是每天都有），建立workfile選擇數據類型是選擇什麼

dated-structure frequency應選擇選擇unstructured/undated。

❷ 時間序列分析capm需要哪些數據

做CAPM分析需要一個market portfolio，過去人們總是選擇紐約股票市場模擬這么一個market portfolio。後來Roll1976年寫了一篇文章，說這種方法未必正確，因為這樣得出來的數據確實在mean-variance efficient frontier 上，但是不一定就是market portfolio。
後來人們提出了一種方法，用managed portfolio，把時間序列中條件期望變成無條件期望，常常關注的變數就是 the market return， the D/P ratio， the term premium， market return 乘以 the D/P ratio，market return 乘以 the term premium。這被稱為五要素模型（five-factor model）。

❸ 怎麼用excel對股票收盤價進行時間序列分析

最好附上內容

❹ 在用時間序列分析股票時，如果連續兩天收盤價一樣，為什麼要剔除一天的數據

同一收盤價影響相同

❺ 時間序列分析適用的數據有哪些

時間序列適合圖形表示：數軸，時間軸。

把預測對象、預測目標和對預測的影響因素都看成為具有時序的，為時間的函數，而時間序列法就是研究預測對象自身變化過程及發展趨勢。根據預測對象與影響因素之間的因果關系及其影響程度來推算未來。與目標的相關因素很多，只能選擇那些因果關系較強的為預測影響的因素。

構成要素：

長期趨勢，季節變動，循環變動，不規則變動。

1、長期趨勢（T）現象在較長時期內受某種根本性因素作用而形成的總的變動趨勢。

2、季節變動（S）現象在一年內隨著季節的變化而發生的有規律的周期性變動。

3、循環變動（C）現象以若干年為周期所呈現出的波浪起伏形態的有規律的變動。

❻ 應用計量經濟學時間序列分析在股票預測上有多大的作用

作用沒有想像中的大，你可以用股票的滯後變數來進行回歸分析，滯後2~3期就夠了，不過數據必須具體點，最好細分到每季度、每月的上證指數，還有時間上怎麼也要十年左右吧！

我以前在論文附錄中做過分析，數據都是自己按季度整理的，挺麻煩的呢，如果需要的話就發給你~

還有就是，我覺得寫關於股票的預測方面的實際用處並不是很大，畢竟股票的影響因素太多，單單的憑藉以前的走勢而預期太不好了。。我自己也炒股票，就像那些macd、kdj之類的指標根本就起不到太大的作用，如果那個能預期的話，股市豈不就成了提款機了？現在你做的這個就像是那些指標一樣，要知道，股市是活的，人是活的，而指標確實死的！說這么多的意思就是股市不是能簡單預測的，你做的那個用處不大。。

如果你想做的話，建議換個題目，我當時的寫的是對弗里德曼的貨幣需求理論在中國市場的分析。你可以寫寫貨幣供應量對通貨膨脹的時滯性，分析下在我國市場的滯後期大概是多少~數據在國家統計局和中國人民銀行都可以找到的，樣本空間一定要足夠大，在對滯後變數分析時候主要考慮各自的T檢驗是否通過，一般從通過之後大概就是那個的滯後期！這個比較直接反而有些許用處~
要是能分析出國家的一般性政策對實體市場的影響就更好了，更有用了~

呵呵，以上只是自己的建議~有什麼其他的問題就給我留言吧~

❼ 如何用GARCH(1,1)求股票的具體波動率數據

以哈飛股份(600038)為例，運用GARCH（1,1）模型計算股票市場價值的波動率。

GARCH（1,1）模型為：

(1)

(2)

其中， 為回報系數， 為滯後系數， 和 均大於或等於0。

（1）式給出的均值方程是一個帶有誤差項的外生變數的函數。由於是以前面信息為基礎的一期向前預測方差，所以稱為條件均值方程。

（2）式給出的方程中： 為常數項， （ARCH項）為用均值方程的殘差平方的滯後項， （GARCH項）為上一期的預測方差。此方程又稱條件方差方程，說明時間序列條件方差的變化特徵。

通過以下六步進行求解：

本文選取哈飛股份2009年全年的股票日收盤價，採用Eviews 6.0的GARCH工具預測股票收益率波動率。具體計算過程如下：

第一步：計算日對數收益率並對樣本的日收益率進行基本統計分析，結果如圖1和圖2。

日收益率採用JP摩根集團的對數收益率概念，計算如下：

其中Si，Si-1分別為第i日和第i-1日股票收盤價。

圖1 日收益率的JB統計圖

對圖1日收益率的JB統計圖進行分析可知：

（1）標准正態分布的K值為3，而該股票的收益率曲線表現出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大於正態分布，說明存在著較為明顯的「尖峰厚尾」形態；

（2）偏度值與0有一定的差別，序列分布有長的左拖尾，拒絕均值為零的原假設，不屬於正態分布的特徵；

（3）該股票的收益率的JB統計量大於5%的顯著性水平上的臨界值5.99，所以可以拒絕其收益分布正態的假設，並初步認定其收益分布呈現「厚尾」特徵。

以上分析證明，該股票收益率呈現出非正態的「尖峰厚尾」分布特徵，因此利用GARCH模型來對波動率進行擬合具有合理性。

第二步：檢驗收益序列平穩性

在進行時間序列分析之前，必須先確定其平穩性。從圖2日收益序列的路徑圖來看，有比較明顯的大的波動，可以大致判斷該序列是一個非平穩時間序列。這還需要嚴格的統計檢驗方法來驗證，目前流行也是最為普遍應用的檢驗方法是單位根檢驗，鑒於ADF有更好的性能，故本文採用ADF方法檢驗序列的平穩性。

從表1可以看出，檢驗t統計量的絕對值均大於1%、5％和10%標准下的臨界值的絕對值，因此，序列在1%的顯著水平下拒絕原假設，不存在單位根，是平穩序列，所以利用GARCH（1,1）模型進行檢驗是有效的。

圖2 日收益序列圖

表1ADF單位根檢驗結果

第三步：檢驗收益序列相關性

收益序列的自相關函數ACF和偏自相關函數PACF以及Ljung-Box-Pierce Q檢驗的結果如表3（滯後階數 =15）。從表4.3可以看出，在大部分時滯上，日收益率序列的自相關函數和偏自相關函數值都很小，均小於0.1，表明收益率序列並不具有自相關性，因此，不需要引入自相關性的描述部分。Ljung-Box-Pierce Q檢驗的結果也說明日收益率序列不存在明顯的序列相關性。

表2自相關檢驗結果

第四步：建立波動性模型

由於哈飛股份收益率序列為平穩序列，且不存在自相關，根據以上結論，建立如下日收益率方程：

(3)

(4)

第五步：對收益率殘差進行ARCH檢驗

平穩序列的條件方差可能是常數值，此時就不必建立GARCH模型。故在建模前應對收益率的殘差序列εt進行ARCH檢驗，考察其是否存在條件異方差，收益序列殘差ARCH檢驗結果如表3。可以發現，在滯後10階時，ARCH檢驗的伴隨概率小於顯著性水平0.05，拒絕原假設，殘差序列存在條件異方差。在條件異方差的理論中，滯後項太多的情況下，適宜採用GARCH（1,1）模型替代ARCH模型，這也說明了使用GARCH（1,1）模型的合理性。

表3日收益率殘差ARCH檢驗結果

第六步：估計GARCH模型參數，並檢驗

建立GARCH（1,1）模型，並得到參數估計和檢驗結果如表4。其中，RESID(-1)^2表示GARCH模型中的參數α，GARCH（-1）表示GARCH模型中的參數β，根據約束條件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，滿足約束條件。同時模型中的AIC和SC值比較小，可以認為該模型較好地擬合了數據。

表4日收益率波動率的GARCH（1,1）模型的參數估計

❽ 對股票收盤價進行時間序列分析，預測其下一個交易日的收盤價,並與實際收盤價格進行對比

股票投資的分析這么復雜啊，先問問老師有依據這個買股票沒，再回答。

❾ 怎麼用機器學習模型做時間序列預測

SVM理論是在統計學習理論的基礎上發展起來的,由於統計學習理論和SVM方法對有限樣本情況下模式識別中的一些根本性的問題進行了系統的理論研究,很大程度上解決了以往的機器學習中模型的選擇與過學習問題、非線性和維數災難、局部極小點問題等。應用SVM進行回歸預測的步驟具體如下:
1)實驗規模的選取,決定訓練集的數量、測試集的數量,以及兩者的比例;2)預測參數的選取;3)對實驗數據進行規范化處理;4)核函數的確定;5)核函數參數的確定。其中參數的選擇對SVM的性能來說是十分重要的,對於本文的核函數使用RBF核函數,對於RBF核函數,SVM參數包括折衷參數C、核寬度C和不敏感參數E。目前SVM方法的參數、核函數的參數選擇,在國際上都還沒有形成統一的模式,也就是說最優SVM演算法參數選擇還只能是憑借經驗、實驗對比、大范圍的搜尋和交叉檢驗等進行尋優。實際應用中經常為了方便,主觀設定一個較小的正數作為E的取值,本文首先在C和C的一定范圍內取多個值來訓練,定下各個參數取值的大概范圍,然後利用留一法來具體選定參數值
股價時間序列的SVM模型最高階確定
股價數據是一個時間序列,從時間序列的特徵分析得知,股價具有時滯、後效性,當天的股價不僅還與當天各種特徵有關,還與前幾天的股價及特徵相關,所以有必要把前幾天的股價和特徵作為自變數來考慮。最高階確定基本原理是從低階開始對系統建模,然後逐步增加模型的階數,並用F檢驗對這些模型進行判別來確定最高階n,這樣才能更客觀反映股票價格的時滯特性。具體操作步驟如下:假定一多輸入單輸出回歸模型有N個樣本、一個因變數(股價)、m- 1個自變數(特徵),由低階到高階遞推地採用SVM模型去擬合系統(這兒的拓階就是把昨天股價當做自變數,對特徵同時拓階),並依次對相鄰兩個SVM模型採用F檢驗的方法判斷模型階次增加是否合適[ 7]。對相鄰兩模型SVM ( n)和SVM ( n+ 1)而言,有統計量Fi為:Fi=QSVR (n)- QSVR( n+1)QSVR (n)1N - m n - (m -1)mi =1,2,,, n(1)它服從自由度分別為m和(N - m n - (m -1) )的F分布,其中QSVR (n)和QSVR( n+1)分別為SVR ( n)和QSVR( n+1)的剩餘離差平方和,若Fi< F(?,m, N-m n- (m-1) ),則SVM (n )模型是合適的;反之,繼續拓展階數。
前向浮動特徵篩選
經過上述模型最高階數的確定後,雖然確定了階數為n的SVM模型,即n個特徵,但其中某些特徵對模型的預測精度有不利影響,本文採用基於SVM和留一法的前向浮動特徵特徵篩選演算法選擇對提高預測精度有利影響的特徵。令B= {xj: j=1,2,,, k}表示特徵全集, Am表示由B中的m個特徵組成的特徵子集,評價函數MSE (Am)和MSE (Ai) i =1,2,,, m -1的值都已知。本文採用的前向浮動特徵篩選演算法如下[9]:1)設置m =0, A0為空集,利用前向特徵篩選方法尋找兩個特徵組成特徵子集Am(m =2);2)使用前向特徵篩選方法從未選擇的特徵子集(B -Am)中選擇特徵xm +1,得到子集Am+1;3)如果迭代次數達到預設值則退出,否則執行4);4)選擇特徵子集Am+1中最不重要的特徵。如果xm+1是最不重要的特徵即對任意jXm +1, J (Am +1- xm+1)FJ(Am +1- xj)成立,那麼令m = m +1,返回2) (由於xm+1是最不重要的特徵,所以無需從Am中排除原有的特徵);如果最不重要的特徵是xr( r =1,2,,, m )且MSE (Am+1- xr) < MSE (Am)成立,排除xr,令A'm= Am+1- xr;如果m =2,設置Am= A'm,J (Am) = J (A'm), ,返回2),否則轉向步驟5);5)在特徵子集A'm中尋找最不重要的特徵xs,如果MSE (A'm- xs)EM SE (Am-1),那麼設置Am= A'm, MSE (Am)= MSE (A'm),返回2);如果M SE (A'm- xs) < M SE (Am -1),那麼A'm從中排除xs,得到A'm-1= Am- xs,令m = m -1;如果m =2,設置Am= A'm, MSE (Am) = MSE (A'm)返回2),否則轉向5)。最後選擇的特徵用於後續建模預測。
預測評價指標及參比模型
訓練結果評估階段是對訓練得出的模型推廣能力進行驗證,所謂推廣能力是指經訓練後的模型對未在訓練集中出現的樣本做出正確反應的能力。為了評價本文模型的優劣,選擇BPANN、多變數自回歸時間序列模型( CAR)和沒有進行拓階和特徵篩選的SVM作為參比模型。採用均方誤差(mean squared error, MSE)和平均絕對誤差百分率(mean ab-solute percentage error, MAPE)作為評價指標。MSE和MAP定義如下:M SE=E(yi- y^i)2n( 2)MAPE=E| yi- y^i| /yin( 3)其中yi為真值, y^i為預測值, n為預測樣本數。如果得出M SE, MAPE結果較小,則說明該評估模型的推廣能力強,或泛化能力強,否則就說明其推廣能力較差

❿ 時間序列在股市有哪些應用

時間序列分析在股票市場中的應用
摘要
在現代金融浪潮的推動下,越來越多的人加入到股市,進行投資行為,以期得到豐厚的回報,這極大促進了股票市場的繁榮。而在這種投資行為的背後,越來越多的投資者逐漸意識到股市預測的重要性。
所謂股票預測是指:根據股票現在行情的發展情況地對未來股市發展方向以及漲跌程度的預測行為。這種預測行為只是基於假定的因素為既定的前提條件為基礎的。但是在股票市場中,行情的變化與國家的宏觀經濟發展、法律法規的制定、公司的運營、股民的信心等等都有關聯,因此所謂的預測難於准確預計。
時間序列分析是經濟預測領域研究的重要工具之一,它描述歷史數據隨時間變化的規律,並用於預測經濟數據。在股票市場上,時間序列預測法常用於對股票價格趨勢進行預測,為投資者和股票市場管理管理方提供決策依據。