股票數據eviews

⑴ 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。

⑵ 這是一份直接就能上手操作的eviews上機實用指南 -----------回歸模型診斷及修正

建立回歸模型之後，我們首先要進行異方差性，自相關性及多重共線性的檢驗。這些內容在實際操作中需要一定的理解與實踐。下面，我將以股票價格指數與GDP數據作為案例進行具體說明，僅涉及數據錄入與檢驗步驟，其他概念與理論理解將在此省略。

數據採集方面，選取的是1981-2006年期間的股票價格指數與GDP數據作為分析對象。按照數據輸入流程，將這些信息錄入至Eviews軟體，運用最小二乘法建立起基礎的一元線性回歸模型。

隨後，將數據輸入Eviews並進行回歸分析，以觀察模型建立後的表現。在這一階段，我們通常使用懷特檢驗來檢測異方差性問題，以確定模型是否存在方差變化。具體操作是通過觀察F值和nR2值來判斷是否有顯著異方差。

當結果顯示存在異方差性時，需要進一步調整模型以修正這一問題。通過採用加權最小二乘法，我們試圖使模型更准確地反映實際情況。回歸分析後，再次進行懷特檢驗以確認問題是否得到解決。

解決異方差性後，緊接著進行自相關性的檢驗。首先，通過計算自相關系數p值（p=1-dw/2），了解是否存在序列相關性。若檢測到自相關性，應使用廣義差分法調整模型，以消除序列相關問題。

在引入廣義差分後，再次進行自相關性檢驗，通過觀測DW值的變化來判斷問題是否得到妥善處理。如果DW值位於適宜范圍，初步判斷自相關性問題得到了解決。

若初步檢驗仍未消除自相關性問題，我們繼續進行更高階的檢驗，如LM檢驗，以確定確切的自相關性階次。根據檢測結果，採用相應的廣義差分法（如二階廣義差分法）估計模型參數。

整個過程中，通過持續的檢驗與調整，確保回歸模型的准確性和可靠性。通過上述步驟，不僅能夠有效診斷並修正模型中存在的問題，還能夠更精確地反映實際經濟關系。

⑶ 股票中日貝塔系數用eviews怎麼計算，日貝塔能不能加權平均計算年貝塔系數，若不能那年貝塔系數計算方法怎

r為股票的日收益率，rm為市場指數的日收益率，在eviews中做回歸，r c rm
回歸方程中rm的系數就是日貝塔系數

年貝塔系數需要的收益率數據為年數據

⑷ 用eviews軟體計算股票波動率，garch（1,1）模型估計出來的結果如下圖，請問那些數值是表示波動率的

c————歐米伽

RESID(-1)^2——阿爾法

GARCH（-1）——貝塔

帶入下面方程式

⑸ 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。