1. R語言中的時間序列分析模型：ARIMA-ARCH / GARCH模型分析股票價格
在金融時間序列分析中，時域方法如ARIMA和ARCH / GARCH模型對於股票價格預測至關重要。這些模型幫助我們理解數據特徵並預測未來值，尤其在非平穩序列處理和波動性分析上。
首先，確保時間序列的平穩性是建模的前提。通過差分或對數轉換將非平穩序列轉換為平穩序列，如蘋果股票價格示例所示，對數價格的差分更利於穩定方差。
ARIMA模型（自回歸整合移動平均模型）通過觀察自相關和偏自相關來識別，如在Apple股票的ACF和PACF圖中所示。識別規則包括觀察ACF和PACF的截斷點，例如ARIMA(1,0,0)可能是Log Apple股票的模型。
在選擇模型時，使用AICc來權衡模型復雜度與擬合度，如ARIMA(2,1,2)可能是合適的。檢查殘差的ACF和PACF以確認模型的有效性，例如Apple股票的ARIMA模型的殘差顯示為無明顯滯後。
當ARIMA模型的殘差顯示波動性時，引入ARCH / GARCH模型。通過觀察殘差平方和ACF/PACF，判斷是否需要建模序列的條件方差。例如，對於Apple，選擇的ARCH 8模型反映了價格的波動性。
混合模型如ARIMA(2,1,2) - ARCH(8)結合了ARIMA的線性預測和ARCH的波動性分析，能更准確地預測價格變化，如Apple股票在2012年7月的預測。
時域分析在金融時間序列預測中不可或缺，ARIMA和ARCH / GARCH模型組合提供了更精確的預測。理解序列的平穩性，選擇合適的模型，以及利用新信息更新模型，都是有效應用這些模型的關鍵。
2. 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。