股票数据eviews

⑴ 运用EVIEWS来分析 股票交易日数据（数据就自然不是每天都有），建立workfile选择数据类型是选择什么

dated-structure frequency应选择选择unstructured/undated。

⑵ 这是一份直接就能上手操作的eviews上机实用指南 -----------回归模型诊断及修正

建立回归模型之后，我们首先要进行异方差性，自相关性及多重共线性的检验。这些内容在实际操作中需要一定的理解与实践。下面，我将以股票价格指数与GDP数据作为案例进行具体说明，仅涉及数据录入与检验步骤，其他概念与理论理解将在此省略。

数据采集方面，选取的是1981-2006年期间的股票价格指数与GDP数据作为分析对象。按照数据输入流程，将这些信息录入至Eviews软件，运用最小二乘法建立起基础的一元线性回归模型。

随后，将数据输入Eviews并进行回归分析，以观察模型建立后的表现。在这一阶段，我们通常使用怀特检验来检测异方差性问题，以确定模型是否存在方差变化。具体操作是通过观察F值和nR2值来判断是否有显着异方差。

当结果显示存在异方差性时，需要进一步调整模型以修正这一问题。通过采用加权最小二乘法，我们试图使模型更准确地反映实际情况。回归分析后，再次进行怀特检验以确认问题是否得到解决。

解决异方差性后，紧接着进行自相关性的检验。首先，通过计算自相关系数p值（p=1-dw/2），了解是否存在序列相关性。若检测到自相关性，应使用广义差分法调整模型，以消除序列相关问题。

在引入广义差分后，再次进行自相关性检验，通过观测DW值的变化来判断问题是否得到妥善处理。如果DW值位于适宜范围，初步判断自相关性问题得到了解决。

若初步检验仍未消除自相关性问题，我们继续进行更高阶的检验，如LM检验，以确定确切的自相关性阶次。根据检测结果，采用相应的广义差分法（如二阶广义差分法）估计模型参数。

整个过程中，通过持续的检验与调整，确保回归模型的准确性和可靠性。通过上述步骤，不仅能够有效诊断并修正模型中存在的问题，还能够更精确地反映实际经济关系。

⑶ 股票中日贝塔系数用eviews怎么计算，日贝塔能不能加权平均计算年贝塔系数，若不能那年贝塔系数计算方法怎

r为股票的日收益率，rm为市场指数的日收益率，在eviews中做回归，r c rm
回归方程中rm的系数就是日贝塔系数

年贝塔系数需要的收益率数据为年数据

⑷ 用eviews软件计算股票波动率，garch（1,1）模型估计出来的结果如下图，请问那些数值是表示波动率的

c————欧米伽

RESID(-1)^2——阿尔法

GARCH（-1）——贝塔

带入下面方程式

⑸ 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。