股票交易價格數據建模

Ⅰ 股票投資數學建模問題

風險最小就是相關系數之和最小的方案吧
投資回報率和風險的關系，就是收益期望和相關系數之間的函數
數學不好，只能亂說說了

Ⅱ 股票模型的建模過程

模型准備 ：了解個股的實際背景，明確其實際意義，掌握對象的各種信息。用數學語言來描述問題。
模型假設 ：根據實際對象的特徵和建模的目的，對問題進行必要的簡化，並用精確的語言提出一些恰當的假設。
模型建立 ：在假設的基礎上，利用適當的數學工具來刻劃各變數之間的數學關系，建立相應的數學結構。（盡量用簡單的數學工具）
模型求解 ：利用獲取的數據資料，對模型的所有參數做出計算（估計）。
模型分析 ：對所得的結果進行數學上的分析。
模型檢驗 ：將模型分析結果與實際情形進行比較，以此來驗證模型的准確性、合理性和適用性。如果模型與實際較吻合，則要對計算結果給出其實際含義，並進行解釋。如果模型與實際吻合較差,則應該修改假設，在次重復建模過程。
模型應用 ：應用方式因問題的性質和建模的目的而異。

Ⅲ 如何用Arma模型做股票估計

時間序列分析是經濟領域應用研究最廣泛的工具之一,它用恰當的模型描述歷史數據隨時間變化的規律,並分析預測變數值。ARMA模型是一種最常見的重要時間序列模型,被廣泛應用到經濟領域預測中。給出ARMA模型的模式和實現方法,然後結合具體股票數據揭示股票變換的規律性,並運用ARMA模型對股票價格進行預測。
選取長江證券股票具體數據進行實證分析
1.數據選取。
由於時間序列模型往往需要大樣本,所以這里我選取長江證券從09/03/20到09/06/19日開盤價,前後約三個月,共計60個樣本,基本滿足ARMA建模要求。
數據來源:大智慧股票分析軟體導出的數據(股價趨勢圖如下)
從上圖可看出有一定的趨勢走向,應為非平穩過程,對其取對數lnS,再觀察其平穩性。
2.數據平穩性分析。
先用EVIEWS生成新序列lnS並用ADF檢驗其平穩性。
(1)ADF平穩性檢驗,首先直接對數據平穩檢驗,沒通過檢驗,即不平穩。
可以看出lnS沒有通過檢驗,也是一個非平穩過程,那麼我們想到要對其進行差分。
(2)一階差分後平穩性檢驗,ADF檢驗結果如下,通過1%的顯著檢驗,即數據一階差分後平穩。
可以看出差分後,明顯看出ADF Test Statistic 為-5.978381絕對值是大於1%的顯著水平下的臨界值的,所以可以通過平穩性檢驗。
3.確定適用模型,並定階。可以先生成原始數據的一階差分數據dls,並觀測其相關系數AC和偏自相關系數PAC,以確定其是為AR,MA或者是ARMA模型。
(1)先觀測一階差分數據dls的AC和PAC圖。經檢驗可以看出AC和PAC皆沒有明顯的截尾性,嘗試用ARMA模型,具體的滯後項p,q值還需用AIC和SC具體確定。
(2)嘗試不同模型,根據AIC和SC最小化的原理確定模型ARMA(p,q)。經多輪比較不同ARMA(p,q)模型,可以得出相對應AIC 和 SC的值。
經過多次比較最終發現ARMA(1,1)過程的AIC和SC都是最小的。最終選取ARIMA(1,1,1)模型作為預測模型。並得出此模型的具體表達式為:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的檢驗。選取ARIMA(1,1,1)模型,定階和做參數估計後,還應對其殘差序列進行檢驗,對其殘差的AC和Q統計檢驗發現其殘差自相關基本在0附近,且Q值基本通過檢驗,殘差不明顯存在相關,即可認為殘差中沒有包含太多信息,模型擬合基本符合。
5.股價預測。利用以上得出的模型,然後對長江證券6月22日、23日、24日股價預測得出預測值並與實際值比較如下。
有一定的誤差,但相比前期的漲跌趨勢基本吻合,這里出現第一個誤差超出預想的是因為6月22日正好是禮拜一,波動較大,這里正驗證了有研究文章用GARCH方法得出的禮拜一波動大的結果。除了禮拜一的誤差大點,其他日期的誤差皆在接受范圍內。
綜上所述,ARMA模型較好的解決了非平穩時間序列的建模問題,可以在時間序列的預測方面有很好的表現。藉助EViews軟體,可以很方便地將ARMA模型應用於金融等時間序列問題的研究和預測方面,為決策者提供決策指導和幫助。當然,由於金融時間序列的復雜性,很好的模擬還需要更進一步的研究和探討。在後期,將繼續在這方面做出自己的摸索。

Ⅳ 怎麼做股票模型

我也曾今也想到過這個問題。但是，告訴你一個不幸的消息，股票不可以用模型製作，我以前試過用指數模型和高斯分布做過，但後來去給一個博士談到這個問題的時候。最終達成一致共識，股票不能建立模型。只能在股票和其他衍生工具之間建立交易模型，例如capm，b-s模型。如果是老師布置的作業，你就給她說，不能建立模型。

Ⅳ 股票問題 用MATLAB做數學建模

%文件vol.m
function f=vol(x);
A = [2.10 2.20 2.30 2.35 2.40];;
Ap = [200 400 500 600 100];

B = [2.00 2.10 2.20 2.30 2.40];
Bp = [800 600 300 300 100];

f = -min(sum(Ap(A <= x)), sum(Bp(B >= x)));
%------------------------------------------

>> [x fval] = fminsearch('vol',2.3)

x =

2.3000

fval =

-400

你說的低於和高於我理解成小於等於與大於等於了,不對的話在函數最後一行自己改

Ⅵ eviews中對股票收盤價建模

可以試一下二階或三階差分，差分後通過單位根檢驗，判斷是否平穩，判斷拖尾截尾，確定模型及階數。實在不能判斷的情況下可以初步確定自相關偏自相關幾步衰減到0，先擬合ARMA(p，q)，根據回歸結果的參數估計能否通過t檢驗來提出，不合理的變數，多次建模比較R^2,AIC,SC等確定最優模型。

Ⅶ C語言題目——股票撮合系統，有什麼需要注意的么6個測試用例，第5個死都過不去

有空編寫這個，不如去編寫股票測試系統，建模，測試數據，完善數據模型，看成功率不是更好。 不好意思，答非所問。

Ⅷ 求高手解答這道數學建模問題：投資組合問題，美國某三種股票（A，B，C）12年（1943—1954）的價格（已經包

從分析來看，a股票波動比較小，c股票比b票波動相對落後，b股票沒有明顯回落，c股還會上漲，建議建倉c股

Ⅸ 用GARCH(1,1)模型對股票收盤價收益率序列建模，如何在eviews軟體中得出收益率序列的波動性方差

接分啦。。。找到一篇不錯的文章
樓主看下，參考資料：
2.關聯規則挖掘過程、分類及其相關演算法
2.1關聯規則挖掘的過程
關聯規則挖掘過程主要包含兩個階段：第一階段必須先從資料集合中找出所有的高頻項目組(Frequent Itemsets)，第二階段再由這些高頻項目組中產生關聯規則(Association Rules)。
關聯規則挖掘的第一階段必須從原始資料集合中，找出所有高頻項目組(Large Itemsets)。高頻的意思是指某一項目組出現的頻率相對於所有記錄而言，必須達到某一水平。一項目組出現的頻率稱為支持度(Support)，以一個包含A與B兩個項目的2-itemset為例，我們可以經由公式(1)求得包含項目組的支持度，若支持度大於等於所設定的最小支持度(Minimum Support)門檻值時，則稱為高頻項目組。一個滿足最小支持度的k-itemset，則稱為高頻k-項目組(Frequent k-itemset)，一般表示為Large k或Frequent k。演算法並從Large k的項目組中再產生Large k+1，直到無法再找到更長的高頻項目組為止。
關聯規則挖掘的第二階段是要產生關聯規則(Association Rules)。從高頻項目組產生關聯規則，是利用前一步驟的高頻k-項目組來產生規則，在最小信賴度(Minimum Confidence)的條件門檻下，若一規則所求得的信賴度滿足最小信賴度，稱此規則為關聯規則。例如：經由高頻k-項目組所產生的規則AB，其信賴度可經由公式(2)求得，若信賴度大於等於最小信賴度，則稱AB為關聯規則。
就沃爾馬案例而言，使用關聯規則挖掘技術，對交易資料庫中的紀錄進行資料挖掘，首先必須要設定最小支持度與最小信賴度兩個門檻值，在此假設最小支持度min_support=5% 且最小信賴度min_confidence=70%。因此符合此該超市需求的關聯規則將必須同時滿足以上兩個條件。若經過挖掘過程所找到的關聯規則「尿布，啤酒」，滿足下列條件，將可接受「尿布，啤酒」的關聯規則。用公式可以描述Support(尿布，啤酒)>=5%且Confidence(尿布，啤酒)>=70%。其中，Support(尿布，啤酒)>=5%於此應用範例中的意義為:在所有的交易紀錄資料中，至少有5%的交易呈現尿布與啤酒這兩項商品被同時購買的交易行為。Confidence(尿布，啤酒)>=70%於此應用範例中的意義為:在所有包含尿布的交易紀錄資料中，至少有70%的交易會同時購買啤酒。因此，今後若有某消費者出現購買尿布的行為，超市將可推薦該消費者同時購買啤酒。這個商品推薦的行為則是根據「尿布，啤酒」關聯規則，因為就該超市過去的交易紀錄而言，支持了「大部份購買尿布的交易，會同時購買啤酒」的消費行為。
從上面的介紹還可以看出，關聯規則挖掘通常比較適用與記錄中的指標取離散值的情況。如果原始資料庫中的指標值是取連續的數據，則在關聯規則挖掘之前應該進行適當的數據離散化（實際上就是將某個區間的值對應於某個值），數據的離散化是數據挖掘前的重要環節，離散化的過程是否合理將直接影響關聯規則的挖掘結果。
2.2關聯規則的分類
按照不同情況，關聯規則可以進行分類如下：
1.基於規則中處理的變數的類別，關聯規則可以分為布爾型和數值型。
布爾型關聯規則處理的值都是離散的、種類化的，它顯示了這些變數之間的關系；而數值型關聯規則可以和多維關聯或多層關聯規則結合起來，對數值型欄位進行處理，將其進行動態的分割，或者直接對原始的數據進行處理，當然