股票建模所需数据

1. 股票模型的建模过程

模型准备 ：了解个股的实际背景，明确其实际意义，掌握对象的各种信息。用数学语言来描述问题。
模型假设 ：根据实际对象的特征和建模的目的，对问题进行必要的简化，并用精确的语言提出一些恰当的假设。
模型建立 ：在假设的基础上，利用适当的数学工具来刻划各变量之间的数学关系，建立相应的数学结构。（尽量用简单的数学工具）
模型求解 ：利用获取的数据资料，对模型的所有参数做出计算（估计）。
模型分析 ：对所得的结果进行数学上的分析。
模型检验 ：将模型分析结果与实际情形进行比较，以此来验证模型的准确性、合理性和适用性。如果模型与实际较吻合，则要对计算结果给出其实际含义，并进行解释。如果模型与实际吻合较差,则应该修改假设，在次重复建模过程。
模型应用 ：应用方式因问题的性质和建模的目的而异。

2. 如何设计股票模型

股票模型 网络名片 股票模型就是对于现实中的个股，为了达到盈利目的，作出一些必要的简化和假设，运用适当的数学分析，得到一个数学结构。 目录概念股票建模建模过程股票模型的作用 编辑本段概念在这里引用数学模型的定义，也可以说，股票建模是利用数学语言（符号、式子与图象）模拟现实的模型。把现实模型抽象、简化为某种数学结构是数学模型的基本特征。它或者能解释特定现象的现实状态，或者能预测到对象的未来状况，或者能提供处理对象的最优决策或控制。 编辑本段股票建模把个股的实际问题加以提炼，抽象为数学模型，求出模型的解，验证模型的合理性，并用该数学模型所提供的解答来解释现实问题，我们把这一应用过程称为股票建模。 编辑本段建模过程模型准备 ：了解个股的实际背景，明确其实际意义，掌握对象的各种信息。用数学语言来描述问题。 模型假设 ：根据实际对象的特征和建模的目的，对问题进行必要的简化，并用精确的语言提出一些恰当的假设。 模型建立 ：在假设的基础上，利用适当的数学工具来刻划各变量之间的数学关系，建立相应的数学结构。（尽量用简单的数学工具） 模型求解 ：利用获取的数据资料，对模型的所有参数做出计算（估计）。 模型分析 ：对所得的结果进行数学上的分析。 模型检验 ：将模型分析结果与实际情形进行比较，以此来验证模型的准确性、合理性和适用性。如果模型与实际较吻合，则要对计算结果给出其实际含义，并进行解释。如果模型与实际吻合较差,则应该修改假设，在次重复建模过程。 模型应用 ：应用方式因问题的性质和建模的目的而异。 编辑本段股票模型的作用第一，能让分析过程简化，并让复杂的分析过程通过数据表达出来。 第二，通过对模型的反复修正，能起到对个股的未来走势起到预测效果。 第三，便于掌握股市行情。

3. 请问一下,谁能用灰色系统做一套股票预测的模型

股票投资价值灰色系统模型及应用 作者：聂祖荣 李波 内容摘要
格雷厄姆和多德在《证券分析》一书中对股票价格波动的本质进行了分析，说明了“股票内在价值”对于投资的重要性，随后，这个领域的研究引起了众多经济金融学家的兴趣，经过几十年的探索，得到了大量的重要研究成果，而且不乏广泛应用的方法，但是，对于新兴市场和普通投资者却难以采用。这里，我们希望借用20世纪80年代兴起的灰色系统理论，探索一套简便易用的股票投资价值预测方法。本文探讨了灰色预测方法及其在股票价格预测中应用的理论基础和方法，以期能为投资者的决策行为提供一定的指导作用。

1. 问题的提出

我们知道，股票市场的价格走势是极为复杂且难以预测的。股票价格对市场信息如何进行反应，即使最高明最富经验的分析师也难以稳操胜券，这是因为，我们缺乏信息对市场影响的传导系统的结构和系统传导模型，不能准确把握金融政策、利率政策、公司状况、国际市场及投资者心理承受能力等因素的变化及其对市场的影响方式和作用，只能似是而非地对价格 走势进行把握，其结果可想而知。

于是，如何判断或预测股票市场价格走势引起了众多经济金融学家和市场分析人员的极大兴趣，在许多经济学家的共同努力下，股票定价方法向着量化方向发展，建立了大量令人振奋的定价方法。格雷厄姆和多德在1934年《证券分析》一书对1929年美国股票市场价格暴跌的 深刻反思,认为股票价格的波动是建立在股票“内在价值”基础上的，股票价格会由于各种非理性原因偏离“内在价值”，但随着时间的推移这种偏离会得到纠正而回到“内在价值 ” ，因此，股票价格的未来表现可通过与“内在价值”的比较而加以判断。但“内在价值”取决于公司未来盈利能力，因此，对公司未来盈利能力及其现金流的准确把握将是非常关键的。此后，戈登在对“内在价值”进行深入的量化分析的基础上，提出了着名的股票定价的现金流量模型即“戈登模型”，然而，公司未来现金流是不确定的，为该模型的广泛应用带来麻烦，为此，关于股票定价的早期研究就集中在确定公司未来现金流。费雪(Fisher)教授认为未来资产收益的不确定性可用概率分布来描述，马夏克（Marschak）、希克斯(Hicks)等学者经过一系列研究认为投资者的投资偏好可以看作是对投资于未来收益的概率分布矩的偏好,并可用均方差空间的无差异曲线来表示,同时，他们还发现“大数定律”在包含多种风险资产投资中会发挥某种作用。戈登模型在股票价值分析中占有非常重要的地位，成为单只股票估价分析的基本方法，然而，该方法并没有解决股票投资风险与未来现金流折现率的关系，直到亨利·马科维茨（H·Markowitz）教授的现代证券组合理论的建立才对这一基本问题有 了明确的认识，从而，一定程度上消除了该模型的致命缺陷。
在现实生活中，很少有投资者会将所有的投资集中在一只股票上，基于此，马科维茨（H·M arkowitz）教授于1938年提出了投资组合的概念，建立了现代证券组合理论，以统计学上的 均值和方差等概念来衡量组合的收益和风险，给出了投资者如何根据自己的风险承受能力建 立自己的最优组合以最大化其投资收益，并将风险分解为系统和非系统风险，从而，指导投资者最优化其投资行为。此后，其学生威廉·夏普（M· Sharpe）、林特纳(Lintner)等为 强化该理论的应用，将其注意力从马科维茨的微观研究转向整个市场，将其复杂形态简化为以市场指数为基础的单因素关系，并发现在均衡市场条件下资本资产的收益与风险遵循线性关系，即着名的以均值--方差模型为前提的资本资产定价模型（CAPM）。然而，由于CAPM 所要求的前提过于严格限制了其应用，许多经济学家试图研究在一定弱化条件下的定价理论，他们是迈耶斯(Mayers，1972)的存在大量非市场化资产的投资定价理论、罗斯（Ross）的套利定价理论(APT)以及布里登（Breeden）资产收益率与平均消费增长率的线性关系模型（CCAPM）等等为数众多的数量化投资模型，为市场投资行为选择提供了一定决策依据。
Roberts和Osbome在对股票市场价格的长期研究后，发现市场价格遵循“随机漫步”或“随机游动”的规律，由此，以Fama教授为代表的经济学家提出了有效市场理论，认为投资者对市场信息会作出合理的反应，将市场信息与股票价格相结合。进入1980年代，在探寻一般均衡定价模型进展不大的情况下，将定价理论的研究方向转向注重市场信息的考察。经过实证检验，邦德特和塞勒(Bondt and Theler1985)发现股市存在投资者有时对某些消息反应过度 (overreact)，而杰格蒂什(Jegadeesh1990)、莱曼(Lehmann1990)等则发现了股价短期滞后反应现象，由此，杰格蒂什和迪特曼(Titman1993)认为投资者对有关公司长远发展的消息往往有过度的反应，而对只影响短期收益的消息则反应不足，关于这一点仍然存在着争论，尽管如此，信息与股价之间应存在着某种关系得到了经济学家们的认同，并且，弗伦奇和罗尔(Roll)的实证研究证明了股价波动幅度与可获得信息量之间存在着良好的正相关关系。

然而，这些定价理论在现代经济金融学家的推动下得到巨大发展的同时也遇到了严峻的挑战 ，这种挑战表明了“对(股票、债券等)金融资产价格变动缺乏有效的解释手段反映了我们科学体系的不成熟”，面对这一现实，金融学家们开始尝试利用非线性方法与混沌思想来理解股票市场行为，甚至采用具有黑盒子性质的定价核概念、半自回归方法和半非参数估计以及近年兴起的系统仿真等新方法，试图解释信息对投资行为的影响，这些研究方法将成为股票定价理论的新兴的令人激动的发展领域。
但是，这些模型的应用都需要较为高深的专业知识和庞大的数据系统，而且，所需数据要求有较长的时间跨度，以满足“大数定理”的要求，这些对于新兴市场和广大的普通投资者来讲，难为其用，而且，市场价格的变化往往与股票“内在价值”并不一致，因此，寻找一种既简便又能适应市场基本状况的定价方法就自然成为了我们的追求。这里，我们希望借用20 世纪80年代兴起的灰色系统理论，探索一套简便易用的股票投资价值预测模型，以期能为投资者的决策行为提供一定的指导作用。

2．股票投资价值灰色系统模型

灰色系统理论（Grey System Theory）的创立源于20世纪80年代。邓聚龙教授在1981年上海中-美控制系统学术会议上所作的“含未知数系统的控制问题”的学术报告中首次使用了“ 灰色系统”一词。1982年，邓聚龙发表了“参数不完全系统的最小信息正定”、“灰色系统的 控制问题”等系列论文，奠定了灰色系统理论的基础。他的论文在国际上引起了高度的重视，美国哈佛大学教授、《系统与控制通信》杂志主编布罗克特（Brockett）给予灰色系统理论高度评价，因而，众多的中青年学者加入到灰色系统理论的研究行列，积极探索灰色系统理论及其应用研究。

事实上，灰色系统的概念是由英国科学家艾什比（W·R·Ashby）所提出的“黑箱”（Black Box）概念发展演进而来，是自动控制和运筹学相结合的产物。艾什比利用黑箱来描述那些内部结构、特性、参数全部未知而只能从对象外部和对象运动的困果关系及输出输入关系来研究的一类事物。邓聚龙系统理论则主张从事物内部，从系统内部结构及参数去研究系统，以消除“黑箱”理论从外部研究事物而使已知信息不能充分发挥作用的弊端，因而，被认为是比“黑箱”理论更为准确的系统研究方法。所谓灰色系统是指部分信息已知而部分信息未知的系统，灰色系统理论所要考察和研究的是对信息不完备的系统，通过已知信息来研究和预测未知领域从而达到了解整个系统的目的。灰色系统理论与概率论、模糊数学一起并称为 研究不确定性系统的三种常用方法，具有能够利用“少数据” 建模寻求现实规律的良好特 性，克服了数据不足或系统周期短的矛盾。�
目前，灰色系统理论得到了极为广泛的应用，不仅成功地应用于工程控制、经济管理、社会系统、生态系统等领域，而且在复杂多变的农业系统，如在水利、气象、生物防治、农机决策、农业规划、农业经济等方面也取得了可喜的成就。灰色系统理论在管理学、决策学、战略学、预测学、未来学、生命科学等领域展示了极为广泛的应用前景。
那么，灰色系统是否能够在股票市场价格走势方面发挥作用呢？以及怎样发挥作用？这是本 文要探索的问题。
勿容质疑，股票价格的“内在价值”的研究为我们认识股票价格提供了重要途径，然而，其运用受相关专门知识的约束，同时，也受人们对公司未来现金流的预期是否合理与准确的影响，那么，股票价格偏离其“内在价值”的纠正，必然需要一定的学习过程，并付出相应的代价即“学习成本”。如果将市场有效性与信息定价机制相结合，将对股票市场的定价机制有一个全新的认识。在股票价格与其“内在价值”的关系上，人们发现股票价格不仅反映其内在价值的信息，而且反映了市场交易者的“噪声”（Black，1986），因而，股票价格的偏离不会总回到其“内在价值”。这样，我们根据这些所知信息还是难以预测或把握市场价格走势，从而经常出现投资者对信息的过度反应或反应不足的现象。
我国股票市场有“政策市”、“消息市”之称，应该说这是效率市场的应有状况，令人遗憾的是，许多学者的研究表明，我国股市的股票价格对其反应“内在价值”的信息未能作出充分的反应，因而，认为我国股市的这种反应机制是跛足的（包建祥，1999），“有关股票市场的政策法规报道”是对投资者最有价值的信息，对股价的影响也最大（茆诗松，1997。），而且存在着对信息的反应过度及反应不足（魏刚，1998；张人骥，1998。），呼吁建立完善的信息定价机制。应该说，我国股票市场经过近年的发展，市场的信息定价机制得到了一定程度的完善，市场对信息的敏感性有了实质的提高，对影响股票“内在价值”的信息，不论是系统信息还是非系统信息，股票价格均有相应的反应，因而，为通过市场价格的一定历史时期的反应判断市场价格的未来走势，提供了可能。
期刊数据库里应该能找到这文章

4. 如何用Arma模型做股票估计

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,被广泛应用到经济领域预测中。给出ARMA模型的模式和实现方法,然后结合具体股票数据揭示股票变换的规律性,并运用ARMA模型对股票价格进行预测。
选取长江证券股票具体数据进行实证分析
1.数据选取。
由于时间序列模型往往需要大样本,所以这里我选取长江证券从09/03/20到09/06/19日开盘价,前后约三个月,共计60个样本,基本满足ARMA建模要求。
数据来源:大智慧股票分析软件导出的数据(股价趋势图如下)
从上图可看出有一定的趋势走向,应为非平稳过程,对其取对数lnS,再观察其平稳性。
2.数据平稳性分析。
先用EVIEWS生成新序列lnS并用ADF检验其平稳性。
(1)ADF平稳性检验,首先直接对数据平稳检验,没通过检验,即不平稳。
可以看出lnS没有通过检验,也是一个非平稳过程,那么我们想到要对其进行差分。
(2)一阶差分后平稳性检验,ADF检验结果如下,通过1%的显着检验,即数据一阶差分后平稳。
可以看出差分后,明显看出ADF Test Statistic 为-5.978381绝对值是大于1%的显着水平下的临界值的,所以可以通过平稳性检验。
3.确定适用模型,并定阶。可以先生成原始数据的一阶差分数据dls,并观测其相关系数AC和偏自相关系数PAC,以确定其是为AR,MA或者是ARMA模型。
(1)先观测一阶差分数据dls的AC和PAC图。经检验可以看出AC和PAC皆没有明显的截尾性,尝试用ARMA模型,具体的滞后项p,q值还需用AIC和SC具体确定。
(2)尝试不同模型,根据AIC和SC最小化的原理确定模型ARMA(p,q)。经多轮比较不同ARMA(p,q)模型,可以得出相对应AIC 和 SC的值。
经过多次比较最终发现ARMA(1,1)过程的AIC和SC都是最小的。最终选取ARIMA(1,1,1)模型作为预测模型。并得出此模型的具体表达式为:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的检验。选取ARIMA(1,1,1)模型,定阶和做参数估计后,还应对其残差序列进行检验,对其残差的AC和Q统计检验发现其残差自相关基本在0附近,且Q值基本通过检验,残差不明显存在相关,即可认为残差中没有包含太多信息,模型拟合基本符合。
5.股价预测。利用以上得出的模型,然后对长江证券6月22日、23日、24日股价预测得出预测值并与实际值比较如下。
有一定的误差,但相比前期的涨跌趋势基本吻合,这里出现第一个误差超出预想的是因为6月22日正好是礼拜一,波动较大,这里正验证了有研究文章用GARCH方法得出的礼拜一波动大的结果。除了礼拜一的误差大点,其他日期的误差皆在接受范围内。
综上所述,ARMA模型较好的解决了非平稳时间序列的建模问题,可以在时间序列的预测方面有很好的表现。借助EViews软件,可以很方便地将ARMA模型应用于金融等时间序列问题的研究和预测方面,为决策者提供决策指导和帮助。当然,由于金融时间序列的复杂性,很好的模拟还需要更进一步的研究和探讨。在后期,将继续在这方面做出自己的摸索。

5. 如何构建一个能够有效预测股票价格变动的模型

• 收集和整理数据：要构建一个有效的预测模型，首先需要收集和整理大量的数据，包括历史股票价格、市场指数、公司财务报表、行业数据等。

• 选择合适的特征：根据问题的需求和数据的特点，选择合适的特征作为输入数据。例如，可以选择市场指数、公司盈利情况、行业趋势等作为输入特征。

• 选择合适的模型：选择合适的模型来处理输入数据，例如线性回归模型、支持向量机模型、神经网络模型等。根据模型的性能表现和精度来选择银如卜合适的模型。

• 训练模型：使用历史数据进行模型的训练和调整，以提高模型的预测精度和性能。可以使用交叉验证和调参等方法来优化模型的锋穗性能。

• 预测未来价格变动：使用训练好的模型来橡竖预测未来股票价格变动，并进行验证和评估。如果模型的预测精度达到一定的水平，则可以使用该模型进行实际的股票投资决策。

需要注意的是，股票价格变动受多种因素影响，包括市场情绪、宏观经济因素、公司业绩、行业趋势等，因此构建一个有效的预测模型是非常复杂的，并且存在很大的风险。建议投资者在投资股票时要多方面考虑，不要只依赖单一的预测模型。

6. 怎么做股票模型

我也曾今也想到过这个问题。但是，告诉你一个不幸的消息，股票不可以用模型制作，我以前试过用指数模型和高斯分布做过，但后来去给一个博士谈到这个问题的时候。最终达成一致共识，股票不能建立模型。只能在股票和其他衍生工具之间建立交易模型，例如capm，b-s模型。如果是老师布置的作业，你就给她说，不能建立模型。