㈠ 为什么不允许用天干地支预测股市
㈡ 时间序列在股市有哪些应用
时间序列分析在股票市场中的应用
摘要
在现代金融浪潮的推动下,越来越多的人加入到股市,进行投资行为,以期得到丰厚的回报,这极大促进了股票市场的繁荣。而在这种投资行为的背后,越来越多的投资者逐渐意识到股市预测的重要性。
所谓股票预测是指:根据股票现在行情的发展情况地对未来股市发展方向以及涨跌程度的预测行为。这种预测行为只是基于假定的因素为既定的前提条件为基础的。但是在股票市场中,行情的变化与国家的宏观经济发展、法律法规的制定、公司的运营、股民的信心等等都有关联,因此所谓的预测难于准确预计。
时间序列分析是经济预测领域研究的重要工具之一,它描述历史数据随时间变化的规律,并用于预测经济数据。在股票市场上,时间序列预测法常用于对股票价格趋势进行预测,为投资者和股票市场管理管理方提供决策依据。
㈢ 应用计量经济学时间序列分析在股票预测上有多大的作用
作用没有想象中的大，你可以用股票的滞后变量来进行回归分析，滞后2~3期就够了，不过数据必须具体点，最好细分到每季度、每月的上证指数，还有时间上怎么也要十年左右吧！
我以前在论文附录中做过分析，数据都是自己按季度整理的，挺麻烦的呢，如果需要的话就发给你~
还有就是，我觉得写关于股票的预测方面的实际用处并不是很大，毕竟股票的影响因素太多，单单的凭借以前的走势而预期太不好了。。我自己也炒股票，就像那些macd、kdj之类的指标根本就起不到太大的作用，如果那个能预期的话，股市岂不就成了提款机了？现在你做的这个就像是那些指标一样，要知道，股市是活的，人是活的，而指标确实死的！说这么多的意思就是股市不是能简单预测的，你做的那个用处不大。。
如果你想做的话，建议换个题目，我当时的写的是对弗里德曼的货币需求理论在中国市场的分析。你可以写写货币供应量对通货膨胀的时滞性，分析下在我国市场的滞后期大概是多少~数据在国家统计局和中国人民银行都可以找到的，样本空间一定要足够大，在对滞后变量分析时候主要考虑各自的T检验是否通过，一般从通过之后大概就是那个的滞后期！这个比较直接反而有些许用处~
要是能分析出国家的一般性政策对实体市场的影响就更好了，更有用了~
呵呵，以上只是自己的建议~有什么其他的问题就给我留言吧~
㈣ 在财务数据分析中，如何用时间序列分析法预测股票市场变化趋势
时间序列分析法是一种将历史时间数据解释为未来趋势的技术，可以应用于股察棚桐票市场预测。以下是一个基本的时间序列分析框架，可用于预测股票市场变化趋势：
1.数据收集：收集历史股票价格数据、交易量数据和其他经济指标（如通货膨胀率、利率等）。
2.数据清理：将数据进行清理包括删除异常值、缺失值及对齐时间序列。和贺
3.数据探索：通过描述性统计、可视化等方法探索数据，了解数据特征，并确定时间序列的平稳性。
4.时间序列分解：将时间序列分解为趋势、季节性和随机成分，以了解时间序列的变化模式。
5.模型选择：根据数据探索和时间序列分解的结果选择适合的时间序列模型，如ARIMA模型、指数平滑模型等。
6.模型拟合：使用选定的模型进行拟合，并通过模型诊断检查模型的拟合优度。
7.预测：使用已拟合的模型预测未败坦来一段时间的股票价格或趋势。
8.模型评估：使用预测结果对模型进行评估和改进。
使用时间序列分析法对股票市场进行预测需要具备相关的统计和数学知识，同时需要灵活运用各种时间序列模型以及数据科学方法。而股票市场受到多种因素的影响，因此预测的准确性取决于所选特征与相应数据的质量、时效和适用性。
㈤ ARIMA模型
我看过的对ARMIA模型最简单明了的文章：https://www.cnblogs.com/bradleon/p/6827109.html
1,什么是 ARIMA模型
ARIMA模型的全称叫做自回归移动平均模型，全称是(ARIMA, Autoregressive Integrated Moving Average Model)。也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列 预测的模型。
1.1. ARIMA的优缺点
优点： 模型十分简单，只需要内生变量而不需要借助其他外生变量。(所谓内生变量指的应该是仅依赖于该数据本身，而不像回归需要其他变量)
缺点：
1.要求时序数据是稳定的（stationary），或者是通过差分化(differencing)后是稳定的。
2.本质上只能捕捉线性关系，而不能捕捉非线性关系。
注意，采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。比如股票数据用ARIMA无法预测的原因就是股票数据是非稳定的，常常受政策和新闻的影响而波动。
1.2. 判断是时序数据是稳定的方法。
严谨的定义： 一个时间序列的随机变量是稳定的，当且仅当它的所有统计特征都是独立于时间的（是关于时间的常量）。
判断的方法：
稳定的数据是没有趋势(trend)，没有周期性(seasonality)的; 即它的均值，在时间轴上拥有常量的振幅，并且它的方差，在时间轴上是趋于同一个稳定的值的。
可以使用Dickey-Fuller Test进行假设检验。
1.3 ARIMA的参数与数学形式
ARIMA模型有三个参数:p,d,q。
p--代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项
d--代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated项。
q--代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项
4.ARIMA模型的几个特例
1.ARIMA(0,1,0) = random walk:
当d=1，p和q为0时，叫做random walk，如图所示，每一个时刻的位置，只与上一时刻的位置有关。
预测公式如下：Yˆt=μ+Yt−1