⑴ 時間序列預測方法有哪些分類，分別適合使用的情況是
時間序列預測方法根據對資料分析方法的不同，可分為：簡單序時平均數法、加權序時平均數法、移動平均法、加權移動平均法、趨勢預測法、指數平滑法、季節性趨勢預測法、市場壽命周期預測法等。
1、簡單序時平均數法只能適用於事物變化不大的趨勢預測。如果事物呈現某種上升或下降的趨勢，就不宜採用此法。
2、加權序時平均數法就是把各個時期的歷史數據按近期和遠期影響程度進行加權，求出平均值，作為下期預測值。
3、簡單移動平均法適用於近期期預測。當產品需求既不快速增長也不快速下降，且不存在季節性因素時，移動平均法能有效地消除預測中的隨機波動。
4、加權移動平均法即將簡單移動平均數進行加權計算。在確定權數時，近期觀察值的權數應該大些，遠期觀察值的權數應該小些。
5、指數平滑法即根用於中短期經濟發展趨勢預測，所有預測方法中，指數平滑是用得最多的一種。
6、季節趨勢預測法根據經濟事物每年重復出現的周期性季節變動指數，預測其季節性變動趨勢。
7、市場壽命周期預測法，適用於對耐用消費品的預測。這種方法簡單、直觀、易於掌握。
(1)預測股票用哪種時間序列模型擴展閱讀：
時間序列預測法的特徵
1、時間序列分析法是根據過去的變化趨勢預測未來的發展，前提是假定事物的過去延續到未來。運用過去的歷史數據,通過統計分析，進一步推測未來的發展趨勢。不會發生突然的跳躍變化,是以相對小的步伐前進；過去和當前的現象，可能表明現在和將來活動的發展變化趨向。
2.時間序列數據變動存在著規律性與不規律性
時間序列中的每個觀察值大小，是影響變化的各種不同因素在同一時刻發生作用的綜合結果。從這些影響因素發生作用的大小和方向變化的時間特性來看，這些因素造成的時間序列數據的變動分為四種類型：趨勢性、周期性、隨機性、綜合性。
⑵ 股票的預測模型有哪些
如果不看技術分析，你可以看下經典的股票估值模型，分為絕對估值和相對估值。
絕對估值主要有DDM和DCF，相對估值就是用PE、PEG、EV/EBITDA等進行估值。
再就是具體問題具體分析了，比如無套利均衡分析。特殊的模型，像期權定價，時間序列分析，Monte Carlo simulation等,要麼直接套用現成的，要麼根據已有數據自己構建，專業軟體里都有操作，沒有完全准確的預測方法。
⑶ 怎麼用機器學習模型做時間序列預測
SVM理論是在統計學習理論的基礎上發展起來的,由於統計學習理論和SVM方法對有限樣本情況下模式識別中的一些根本性的問題進行了系統的理論研究,很大程度上解決了以往的機器學習中模型的選擇與過學習問題、非線性和維數災難、局部極小點問題等。應用SVM進行回歸預測的步驟具體如下:
1)實驗規模的選取,決定訓練集的數量、測試集的數量,以及兩者的比例;2)預測參數的選取;3)對實驗數據進行規范化處理;4)核函數的確定;5)核函數參數的確定。其中參數的選擇對SVM的性能來說是十分重要的,對於本文的核函數使用RBF核函數,對於RBF核函數,SVM參數包括折衷參數C、核寬度C和不敏感參數E。目前SVM方法的參數、核函數的參數選擇,在國際上都還沒有形成統一的模式,也就是說最優SVM演算法參數選擇還只能是憑借經驗、實驗對比、大范圍的搜尋和交叉檢驗等進行尋優。實際應用中經常為了方便,主觀設定一個較小的正數作為E的取值,本文首先在C和C的一定范圍內取多個值來訓練,定下各個參數取值的大概范圍,然後利用留一法來具體選定參數值
股價時間序列的SVM模型最高階確定
股價數據是一個時間序列,從時間序列的特徵分析得知,股價具有時滯、後效性,當天的股價不僅還與當天各種特徵有關,還與前幾天的股價及特徵相關,所以有必要把前幾天的股價和特徵作為自變數來考慮。最高階確定基本原理是從低階開始對系統建模,然後逐步增加模型的階數,並用F檢驗對這些模型進行判別來確定最高階n,這樣才能更客觀反映股票價格的時滯特性。具體操作步驟如下:假定一多輸入單輸出回歸模型有N個樣本、一個因變數(股價)、m- 1個自變數(特徵),由低階到高階遞推地採用SVM模型去擬合系統(這兒的拓階就是把昨天股價當做自變數,對特徵同時拓階),並依次對相鄰兩個SVM模型採用F檢驗的方法判斷模型階次增加是否合適[ 7]。對相鄰兩模型SVM ( n)和SVM ( n+ 1)而言,有統計量Fi為:Fi=QSVR (n)- QSVR( n+1)QSVR (n)1N - m n - (m -1)mi =1,2,,, n(1)它服從自由度分別為m和(N - m n - (m -1) )的F分布,其中QSVR (n)和QSVR( n+1)分別為SVR ( n)和QSVR( n+1)的剩餘離差平方和,若Fi< F(?,m, N-m n- (m-1) ),則SVM (n )模型是合適的;反之,繼續拓展階數。
前向浮動特徵篩選
經過上述模型最高階數的確定後,雖然確定了階數為n的SVM模型,即n個特徵,但其中某些特徵對模型的預測精度有不利影響,本文採用基於SVM和留一法的前向浮動特徵特徵篩選演算法選擇對提高預測精度有利影響的特徵。令B= {xj: j=1,2,,, k}表示特徵全集, Am表示由B中的m個特徵組成的特徵子集,評價函數MSE (Am)和MSE (Ai) i =1,2,,, m -1的值都已知。本文採用的前向浮動特徵篩選演算法如下[9]:1)設置m =0, A0為空集,利用前向特徵篩選方法尋找兩個特徵組成特徵子集Am(m =2);2)使用前向特徵篩選方法從未選擇的特徵子集(B -Am)中選擇特徵xm +1,得到子集Am+1;3)如果迭代次數達到預設值則退出,否則執行4);4)選擇特徵子集Am+1中最不重要的特徵。如果xm+1是最不重要的特徵即對任意jXm +1, J (Am +1- xm+1)FJ(Am +1- xj)成立,那麼令m = m +1,返回2) (由於xm+1是最不重要的特徵,所以無需從Am中排除原有的特徵);如果最不重要的特徵是xr( r =1,2,,, m )且MSE (Am+1- xr) < MSE (Am)成立,排除xr,令A'm= Am+1- xr;如果m =2,設置Am= A'm,J (Am) = J (A'm), ,返回2),否則轉向步驟5);5)在特徵子集A'm中尋找最不重要的特徵xs,如果MSE (A'm- xs)EM SE (Am-1),那麼設置Am= A'm, MSE (Am)= MSE (A'm),返回2);如果M SE (A'm- xs) < M SE (Am -1),那麼A'm從中排除xs,得到A'm-1= Am- xs,令m = m -1;如果m =2,設置Am= A'm, MSE (Am) = MSE (A'm)返回2),否則轉向5)。最後選擇的特徵用於後續建模預測。
預測評價指標及參比模型
訓練結果評估階段是對訓練得出的模型推廣能力進行驗證,所謂推廣能力是指經訓練後的模型對未在訓練集中出現的樣本做出正確反應的能力。為了評價本文模型的優劣,選擇BPANN、多變數自回歸時間序列模型( CAR)和沒有進行拓階和特徵篩選的SVM作為參比模型。採用均方誤差(mean squared error, MSE)和平均絕對誤差百分率(mean ab-solute percentage error, MAPE)作為評價指標。MSE和MAP定義如下:M SE=E(yi- y^i)2n( 2)MAPE=E| yi- y^i| /yin( 3)其中yi為真值, y^i為預測值, n為預測樣本數。如果得出M SE, MAPE結果較小,則說明該評估模型的推廣能力強,或泛化能力強,否則就說明其推廣能力較差
⑷ 股票價值評估的模型有哪些分別適用於哪些情況,在實際操作中需要注意什麼問題
股票價值評估分以下幾種模型：
1.DDM模型（Dividend discount model /股利折現模型)
2.DCF /Discount Cash Flow /折現現金流模型）
（1）FCFE （ Free cash flow for the equity equity /股權自由現金流模型)模型
（2）FCFF模型（ Free cash flow for the firm firm /公司自由現金流模型）
DDM模型
V代表普通股的內在價值， Dt為普通股第t期支付的股息或紅利，r為貼現率
對股息增長率的不同假定，股息貼現模型可以分為
：零增長模型、不變增長模型（高頓增長模型）、二階段股利增長模型（H模型）、三階段股利增長模型和多元增長模型等形式。
最為基礎的模型；紅利折現是內在價值最嚴格的定義； DCF法大量借鑒了DDM的一些邏輯和計算方法（基於同樣的假設/相同的限制）。
1. DDM DDM模型模型法（Dividend discount model / Dividend discount model / 股利折現模型股利折現模型)
DDM模型
2. DDM DDM模型的適用分紅多且穩定的公司，非周期性行業；
3. DDM DDM模型的不適用分紅很少或者不穩定公司，周期性行業；
DDM模型在大陸基本不適用；
大陸股市的行業結構及上市公司資金飢渴決定，分紅比例不高，分紅的比例與數量不具有穩定性，難以對股利增長率做出預測。
DCF 模型
2.DCF /Discount Cash Flow /折現現金流模型） DCF估值法為最嚴謹的對企業和股票估值的方法，原則上該模型適用於任何類型的公司。
自由現金流替代股利，更科學、不易受人為影響。
當全部股權自由現金流用於股息支付時， FCFE模型與DDM模型並無區別；但總體而言，股息不等同於股權自由現金流，時高時低，原因有四：
穩定性要求（不確定未來是否有能力支付高股息）；
未來投資的需要（預計未來資本支出/融資的不便與昂貴）；
稅收因素（累進制的個人所得稅較高時）；
信號特徵（股息上升/前景看好；股息下降/前景看淡）
DCF模型的優缺點
優點：比其他常用的建議評價模型涵蓋更完整的評價模型，框架最嚴謹但相對較復雜的評價模型。需要的信息量更多,角度更全面, 考慮公司發展的長期性。較為詳細，預測時間較長，而且考慮較多的變數，如獲利成長、資金成本等，能夠提供適當思考的模型。
缺點：需要耗費較長的時間，須對公司的營運情形與產業特性有深入的了解。考量公司的未來獲利、成長與風險的完整評價模型，但是其數據估算具有高度的主觀性與不確定性。復雜的模型，可能因數據估算不易而無法採用，即使勉強進行估算，錯誤的數據套入完美的模型中，也無法得到正確的結果。小變化在輸入上可能導致大變化在公司的價值上。該模型的准確性受輸入值的影響很大（可作敏感性分析補救）。
⑸ 時間序列分析模型——ARIMA模型
姓名：車文揚 學號：16020199006
【嵌牛導讀】：什麼是 ARIMA模型
【嵌牛鼻子】： ARIMA
【嵌牛提問】： ARIMA模型可以具體應用到什麼地方？
【嵌牛正文】：
一、研究目的
傳統的經濟計量方法是以經濟理論為基礎來描述變數關系的模型。但經濟理論通常不足以對變數之間的動態聯系提供一個嚴密的說明，而且內生變數既可以出現在方程的左端又可以出現在方程的右端使得估計和推斷變得更加復雜。為了解決這些問題而出現了一種用非結構方法來建立各個變數之間關系的模型，如向量自回歸模型（vector autoregression,VAR）和向量誤差修正模型（vector error correction model,VEC）。
在經典的回歸模型中，主要是 通過回歸分析來建立不同變數之間的函數關系（因果關系），以考察事物之間的聯系 。本案例要討論如何 利用時間序列 數據本身建立模型，以研究事物發展自身的規律 ，並據此對事物未來的發展做出預測。研究時間序列數據的意義：在現實中，往往需要研究某個事物其隨時間發展變化的規律。這就需要通過研究該事物過去發展的歷史記錄，以得到其自身發展的規律。在現實中很多問題，如利率波動、收益率變化、反映股市行情的各種指數等通常都可以表達為時間序列數據，通過研究這些數據，發現這些經濟變數的變化規律（對於某些變數來說，影響其發展變化的因素太多，或者是主要影響變數的數據難以收集，以至於難以建立回歸模型來發現其變化發展規律，此時，時間序列分析模型就顯現其優勢——因為這類模型不需要建立因果關系模型，僅需要其變數本身的數據就可以建模），這樣的一種建模方式就屬於時間序列分析的研究范疇。而時間序列分析中，ARIMA模型是最典型最常用的一種模型。
二、ARIMA模型的原理
1、ARIMA的含義。 ARIMA包含3個部分，即AR、I、MA。AR——表示auto regression，即自回歸模型；I——表示integration，即單整階數，時間序列模型必須是平穩性序列才能建立計量模型，ARIMA模型作為時間序列模型也不例外，因此首先要對時間序列進行單位根檢驗，如果是非平穩序列，就要通過差分來轉化為平穩序列，經過幾次差分轉化為平穩序列，就稱為幾階單整；MA——表示moving average，即移動平均模型。可見，ARIMA模型實際上是AR模型和MA模型的組合。
ARIMA模型與ARMA模型的區別：ARMA模型是針對平穩時間序列建立的模型。ARIMA模型是針對非平穩時間序列建模。換句話說，非平穩時間序列要建立ARMA模型，首先需要經過差分轉化為平穩時間序列，然後建立ARMA模型。
2、ARIMA模型的原理。 正如前面介紹，ARIMA模型實際上是AR模型和MA模型的組合。
AR模型的形式如下：
其中：參數為常數，是階自回歸模型的系數；為自回歸模型滯後階數；是均值為0，方差為的白雜訊序列。模型記做——表示階自回歸模型。
MA模型的形式如下：
其中：參數為常數；參數是階移動平均模型的系數；為移動平均模型滯後階數；是均值為0，方差為的白雜訊序列。模型記做——表示階移動平均模型。
ARIMA模型的形式如下：
模型記做。為自回歸模型滯後階數，為時間序列單整階數，為階移動平均模型滯後階數。當時，，此時ARIMA模型退化為MA模型；當時，，ARIMA模型退化為AR模型。
3、建立ARIMA模型需要解決的3個問題。 由以上分析可知，建立一個ARIMA模型需要解決以下3個問題：
（1）將非平穩序列轉化為平穩序列。
（2）確定模型的形式。即模型屬於AR、MA、ARMA中的哪一種。這主要是通過 模型識別 來解決的。
（3）確定變數的滯後階數。即和的數字。這也是通過 模型識別 完成的。
4、ARIMA模型的識別
ARIMA模型識別的工具為自相關系數（AC）和偏自相關系數（PAC）。
自相關系數： 時間序列滯後k階的自相關系數由下式估計：
其中是序列的樣本均值，這是相距k期值的相關系數。稱為時間序列的自相關系數，自相關系數可以部分的刻畫一個隨機過程的形式。它表明序列的鄰近數據之間存在多大程度的相關性。
偏自相關系數： 偏自相關系數是在給定的條件下，之間的條件相關性。其相關程度用偏自相關系數度量。在k階滯後下估計偏自相關系數的計算公式為：
其中是在k階滯後時的自相關系數估計值。稱為偏相關是因為它度量了k期間距的相關而不考慮k-1期的相關。如果這種自相關的形式可由滯後小於k階的自相關表示，那麼偏相關在k期滯後下的值趨於0。
識別：
AR(p) 模型 的自相關系數是隨著k的增加而呈現指數衰減或者震盪式的衰減，具體的衰減形式取決於AR(p)模型滯後項的系數；AR(p)模型的偏自相關系數是p階截尾的。因此可以通過識別AR(p)模型的偏自相關系數的個數來確定AR(p)模型的階數p。
MA(q) 模型 的自相關系數在q步以後是截尾的。MA(q)模型的偏自相關系數一定呈現出拖尾的衰減形式。
ARMA(p,q) 模型 是AR(p)模型和MA(q)模型的組合模型，因此ARMA(p,q)的自相關系數是AR(p)自相關系數和MA(q)的自相關系數的混合物。當p=0時，它具有截尾性質；當q=0時，它具有拖尾性質；當p,q都不為0，它具有拖尾性質。
通常，ARMA(p,q)過程的偏自相關系數可能在p階滯後前有幾項明顯的 尖柱 ，但從p階滯後項開始逐漸趨於0；而它的自相關系數則是在q階滯後前有幾項明顯的 尖柱 ，從q階滯後項開始逐漸趨於0。
三、數據和變數的選擇
本案例選取我國實際GDP的時間序列建立ARIMA模型，樣本區間為1978—2001。數據來源於國家統計局網站上各年的統計年鑒，GDP數據均通過GDP指數換算為以1978年價格計算的值。見表1：
表1：我國1978—2003年GDP（單位：億元）
年度GDP年度GDP年度GDP
19783605.6198610132.8199446690.7
19794074198711784.7199558510.5
19804551.3198814704199668330.4
19814901.4198916466199774894.2
19825489.2199018319.5199879003.3
19836076.3199121280.4199982673.1
19847164.4199225863.7200089340.9
19858792.1199334500.7200198592.9
四、ARIMA模型的建立步驟
1、單位根檢驗，確定單整階數。
由單位根檢驗的案例分析可知，GDP時間序列為2階單整的。即d=2。通過2次差分，將GDP序列轉化為平穩序列 。利用序列來建立ARMA模型。
2、模型識別
確定模型形式和滯後階數，通過自相關系數（AC）和偏自相關系數（PAC）來完成識別。
首先將GDP數據輸入Eviews軟體，查看其二階差分的AC和PAC。打開GDP序列窗口，點擊View按鈕，出現下來菜單，選擇Correlogram（相關圖），如圖：
打開相關圖對話框，選擇二階差分（2nd difference），點擊OK，得到序列的AC和PAC。（也可以將GDP序列先進行二階差分，然後在相關圖中選擇水平（Level））
從圖中可以看出，序列的自相關系數（AC）在1階截尾，偏自相關系數（PAC）在2階截尾。因此判斷模型為ARMA模型，且，。即：
3、建模
由以上分析可知，建立模型。首先將GDP序列進行二次差分，得到序列。然後在Workfile工作文件簿中新建一個方程對話框，採用 列表法 的方法對方程進行定義。自回歸滯後項用ar表示，移動平均項用ma表示。本例中自回歸項有兩項，因此用ar(1)、ar(2)表示，移動平均項有一項，用ma(1)表示，如圖：
點擊確定，得到模型估計結果：
從擬合優度看，，模型擬合效果較好，DW統計量為2.43，各變數t統計量也通過顯著性檢驗，模型較為理想。對殘差進行檢驗，也是平穩的，因此判斷模型建立正確。
⑹ 預測股票用哪個模型
股票的預測模型：
凈現金流量折現法；
投資機會折現法；
股利折現法；
盈餘折現法；
⑺ ARIMA模型
我看過的對ARMIA模型最簡單明了的文章：https://www.cnblogs.com/bradleon/p/6827109.html
1,什麼是 ARIMA模型
ARIMA模型的全稱叫做自回歸移動平均模型，全稱是(ARIMA, Autoregressive Integrated Moving Average Model)。也記作ARIMA(p,d,q)，是統計模型(statistic model)中最常見的一種用來進行時間序列 預測的模型。
1.1. ARIMA的優缺點
優點： 模型十分簡單，只需要內生變數而不需要藉助其他外生變數。(所謂內生變數指的應該是僅依賴於該數據本身，而不像回歸需要其他變數)
缺點：
1.要求時序數據是穩定的（stationary），或者是通過差分化(differencing)後是穩定的。
2.本質上只能捕捉線性關系，而不能捕捉非線性關系。
注意，採用ARIMA模型預測時序數據，必須是穩定的，如果不穩定的數據，是無法捕捉到規律的。比如股票數據用ARIMA無法預測的原因就是股票數據是非穩定的，常常受政策和新聞的影響而波動。
1.2. 判斷是時序數據是穩定的方法。
嚴謹的定義： 一個時間序列的隨機變數是穩定的，當且僅當它的所有統計特徵都是獨立於時間的（是關於時間的常量）。
判斷的方法：
穩定的數據是沒有趨勢(trend)，沒有周期性(seasonality)的; 即它的均值，在時間軸上擁有常量的振幅，並且它的方差，在時間軸上是趨於同一個穩定的值的。
可以使用Dickey-Fuller Test進行假設檢驗。
1.3 ARIMA的參數與數學形式
ARIMA模型有三個參數:p,d,q。
p--代表預測模型中採用的時序數據本身的滯後數(lags) ,也叫做AR/Auto-Regressive項
d--代表時序數據需要進行幾階差分化，才是穩定的，也叫Integrated項。
q--代表預測模型中採用的預測誤差的滯後數(lags)，也叫做MA/Moving Average項
4.ARIMA模型的幾個特例
1.ARIMA(0,1,0) = random walk:
當d=1，p和q為0時，叫做random walk，如圖所示，每一個時刻的位置，只與上一時刻的位置有關。
預測公式如下：Yˆt=μ+Yt−1
⑻ 求高手幫忙，時間序列分析預測法一般用於那些方面，有什麼優缺點
時間序列是指同一變數按事件發生的先後順序排列起來的一組觀察值或記錄值。構成時間序列的要素有兩個：其一是時間，其二是與時間相對應的變數水平。實際數據的時間序列能夠展示研究對象在一定時期內的發展變化趨勢與規律，因而可以從時間序列中找出變數變化的特徵、趨勢以及發展規律，從而對變數的未來變化進行有效地預測。時間序列的變動形態一般分為四種：長期趨勢變動，季節變動，循環變動，不規則變動。時間序列預測法的應用：系統描述根據對系統進行觀測得到的時間序列數據，用曲線擬合方法對系統進行客觀的描述。系統分析當觀測值取自兩個以上變數時，可用一個時間序列中的變化去說明另一個時間序列中的變化，從而深入了解給定時間序列產生的機理。預測未來一般用ARMA模型擬合時間序列，預測該時間序列未來值。決策和控制根據時間序列模型可調整輸入變數使系統發展過程保持在目標值上，即預測到過程要偏離目標時便可進行必要的控制。時間序列預測法的基本特點是：假定事物的過去趨勢會延伸到未來；預測所依據的數據具有不規則性；撇開了市場發展之間的因果關系。找的好辛苦！！！⑼ 請股票高手給我解釋一下江恩時間序列的奧秘
一、啥時買，啥時賣？
A、什麼時候買入股票
1、大盤相對低點時買入股票。一般股民想在最低點買入股票，實際上這是辦不到的（即使做到也是偶然的），能做到大盤相對低點，或者說是大盤處於低位，這時入市比較安全。
2、個股價位處於低位時買入股票。
3、證券營業部里投資者已稀稀拉拉時買入股票。
B、買什麼股票
1、買有穩定業績的績優股。買股票一定要看準股票業績。該買的股票業績要穩定，千萬不要買業績大起大落的股票（業績大起大落的股票適於炒作，不適於工薪階層投資）避免股票業績下降，股價下降，深度套牢，難以解放。
2、買成長性好的高科技股。這個前提既是高科技又具有成長性，否則，乾脆不要買。
3、與左鄰右舍相比較，屬於價位相對低的股票。如有幾個股票行業性質相同，業績差不多，盤子基本相同，而其中一隻價位偏低，市盈率低，那麼這個股票可以介入。
總之，買股票要再三考慮、分批建倉。當在大盤低迷時，某股票業績穩定，價位低的股票就可開始分散分批建倉。
C、什麼時候賣出股票
1、自己設定一個盈利點。如盈利20％出局，假如某一股票10元，該股票漲到12元多一點即可賣出。
2、自己設定一個止損點。如虧損8-10％賣出。
3、當大盤進入某一高位時，當證券市場里人頭濟濟時，就應該賣出。
4、賣出時要果斷