大学论文：基于ARIMA模型的股价预测研究Word格式.docx
《大学论文：基于ARIMA模型的股价预测研究Word格式.docx》由会员分享，可在线阅读，更多相关《大学论文：基于ARIMA模型的股价预测研究Word格式.docx（48页珍藏版）》请在冰豆网上搜索。
Abstract
Inrecentyears,undertheguidanceofthenationalintegrationstrategylaunchedinBeijing,Tianjin,HebeiProvince,bymeansofitsregionaladvantagesHebeiProvinceeffortstobuild"
onehourlifecircle."
AcceleratetheflowofpopulationmakesthestructuraldifferencesinHebeiHouseholdConsumptionsizechanged.Inordertobetterdescribethisdifference,andthisdifferenceisameasureofthesizeofthepapertosurviveandconsumption,developmentandenjoymentandconsumptionandconsumptionintotalconsumptioninproportiontotheshareofdifferencesandbuilddifferentiatedconsumptionstructure.Inthispaper,descriptivestatistics,foundthattheproportionofurbanandruralconsumptionstructuredifferenceinsurvivalconsumptionandenjoymentandconsumptionoflargedifferencesinthedevelopmentandconsumptionofasmallerproportionofthestatusquo.Thenanalyzedtofindacomprehensivedescriptionofthesizedifferencefactorbyfactoranalysisrevealsthatthereasonforthedifferencegeneratedbythestatusquo.Finally,thespecificeconomicdevelopmentinHebeiProvince,HebeiProvince,isgiventopromotethecoordinateddevelopmentofurbanandruralconsumptionpolicyrecommendations.
KEYWORDS：
UrbanandRuralResidentsConsumptionDifferencesCompareResearch
III
目录
摘 要 I
英文摘要 II
目录 1
前 言 2
1概念界定 3
1.1城镇和乡村的界定 3
1.2本研究中的消费结构 3
2指标体系的建立与原数据的选取 4
2.1河北省城乡居民消费结构体系的建立 4
2.2河北省城乡居民消费结构数据 5
3河北省消费结构的描述性统计分析 6
3.1恩格尔系数分析 6
3.2衣着和房屋消费分析 7
3.3交通通信和文化教育消费分析 9
3.4家用服务和医疗保健消费分析 10
4河北省消费结构的因子分析 11
4.1原数据与数据预处理 11
4.1.1原始数据的选取 11
4.1.2数据预处理 12
4.2确定公共因子和载荷矩阵 13
4.3因子旋转与两个公因子的实际含义 14
4.4计算因子得分与差异趋势 16
5结论与建议 16
5.1差异现状分析 16
5.2原因分析 17
5.3建议 17
参考文献 19
附录 20
致 谢 22
前 言
随着社会的进步及科技的快速发展，中国的股票市场也日益完善，并且逐步成为我国最重要的资本市场之一。
由股份公司在筹集资本时向投资者发行的一种有价证券称为股票。
它可以显示出投资者股权身份和权力，股票持有者可以根据所持的股份享有专有的权力。
它也是股票持有者承担义务的凭证。
只有股份有限公司可以发售股票，并且它只能发给持股者持股证明，同时不能转售，所以股票市场就是股票转让、流通和买卖的场地，它包含交易所市场及场外交易市场。
股票是一种“投资小、收益大”同时伴随高风险的投资行为，所以无论是投资者还是股票的管理者，预测股价的发展走势，通过了解股价的发展走势来进行投资与管理尤为重要。
而所谓的股票价格趋势分析就是借助某种工具通过对股价现有的情况来对未来的股价进行预测，已有研究表明应用时间序列分析理论可以对未来的股价进行分析和研究。
实际上，应用时间序列分析知识的领域是十分广泛的。
时间序列分析的应用一般有两个目的:
一个是通过给出的数据生成模型，二是根据历史数据，预测出将来的可能取值。
学者常常能通过一定顺序的时间点来观察所获得的数据，如日股票开盘价、某城市的降水量、每毫秒心电活动的状况、月价格指数、年销售量等等。
在观察这些数据时发现它们之间具有相依性。
通过对这些具有相依性的数据进行观察与研究来找出其发展规律，并利用其规律来拟合出数学模型，这些数学模型可以用来预测数据的未来发展走向。
而ARIMA模型就是其最重要的时间序列模型之一。
他能很好地预测股价的发展趋势，从而使股票的投资者和管理者得到最大的收益。
随着社会的快速进步和发展，股票市场也逐渐成为我国经济发展和金融活动的阴晴表。
正规股票市场最早出现在美国。
如果股票交易市场出现了不良影响，那么势必会影响经济及其金融的发展。
在股市活跃的投资者和管理者都知道股市唯一不变的性质就是它是每分每秒都在变化。
这就需要我们借助某种工具来研究股价的趋势走向。
我们使用时间序列分析对股价进行分析，进而达到“投资小，收益大”的目的。
通过对股价数据的分析，利用时间序列分析中的模型对其建模，进而了解股价的未来走向。
时间序列分析在很多领域应用得十分广泛。
1970年，GeorgeE.P.Box和GwilymM.Jenkins著写了一本名为（（TimeSeriesAnalysis-ForecastingandControl》的书[1]。
此书引起了广泛的关注和重视。
其后国内外学者通过多个领域对时间序列分析进行研究，并且出版了许多专著和专门的期刊。
如1994年，J.Hamilton著写《TimeSeriesAnalysis》[2]。
2003年，美国的经济学家RobertF.Engle和英国的经济学家CliveWJ.Grange因在经济时间序列分析上取得了巨大的成就而获得诺贝尔经济学奖[3]。
1999年，查正洪利用时间序列分析对上证综合指数进行建模分析与研究，从而建立了ARIMA模型[[4]。
冯盼和曹显兵在“基于ARMA模型的股价分析与预测的实证研究”中[[5]，利用单位根检验首先确定原序列的平稳性，从而利用差分法使其变得平稳并通过ADF检验，然后建立ARMA模型，并利用猜想法确定和的值。
再确定模型的参数值来确保模型的参数显著，最后对于所建的模型进行残差检验来确定模型的合理性，并利用所建模型对股价进行预测。
通过对比实际值和预测值，可以看出所建模型是较为合理的。
郭雪、王彦波的“基于ARMA模型对沪市股票指数的预测”[6]及邓军、杨宣、王玮等的“运用ARMA模型对股价预测的实证研究”[7]和邵丽娜的“基于ARMA模型对招商银行股票价格的预测”[8]，这些文章都是应用ARIMA模型对其数据进行建模与预测。
总之，目前的研究是在ARIMA模型的基础上对股票进行分析来建立模型和拟合模型，最终达到预测的目的，从而使股票受益者达到利益最大化。
本文主要关注的是ARMA模型在股价指数拟合和预测方面的应用[9]。
我们知道，ARMA模型是基于数据序列为线性、平稳的假设前提下的，而事实上，经济时间序列的一个重要特征是存在趋势性及非线性成分，即通常认为时间序列具有以下形式：
其中为趋势性成分，为季节性成分，为随机性成分。
ARMA模型是针对随机性成分的建模。
对季节性成分（如果存在的话），通常采用季节调整；
对趋势性成分，通常采用阶差分的办法去除趋势性，使之平稳，然后用ARMA（p,q）模型拟合，此即为ARIMA（p,d,q）模型，然而对于某些数据样本，比如文所选取的深市同德化工（002360）股票2015年8月—2016年3月的对数数据序列，虽然存在明显的趋势，对其进行一阶差分后固然消除了趋势成分使序列平稳，然而得到的序列自相关性不明显，在显著性水平下与历史数据呈不相关性，即为一个白噪声序列。
本文考虑的是用—ARIMA模型来拟合时间序列的趋势性成分。
下面是论文的框架:
第二章首先阐述时间序列模型AR、MA、ARMA及ARIMA的概念；
其次绍AR、MA和ARMA模型参数的估计、模型的检验和选择模型的标准；
最后说明ARIMA模型的差分阶数的确定和适用标准。
第三章采用ARIMA模型对深市同德化工（002360）股票进行分析预测，分别介绍了指数组成的来源，模型的识别和定阶、检验，并比较了预测结果。
第四章结束语。
4
1时间序列的理论模型与方法概述
本文在这一章里主要介绍时间序列的相关概念以及模型，以便为下面章节的顺利展开做一个铺垫。
时间序列（TimeSeries）系指以时间顺序型态出现之一连串观测值集合，或更确切的说，对某动态系统（DynamicSystem）随时间连续观察所产生有顺序的观测值集合。
1.1时间序列模型的含义
时间序列是以时间顺序生成的观测值的集合[[10]。
分为连续型时间序列和离散型时间序列。
本文中我们讨论离散型时间序列，它是某一过程中的某一个变量或一组变量在一系列时刻上如:
得到的离散有序数集合，即某一过程在时刻的观测值，一般为离散等间隔的数字时间序列，属于随机过程的一次样本实现。
如:
某产品价格的月度数据、某产品产量的年度数据、消费品价格指数的季度数据以及股票价格的口数据等等都是以时间序列的形式出现的。
升级会员 