㈠ 為什麼不允許用天乾地支預測股市
㈡ 時間序列在股市有哪些應用
時間序列分析在股票市場中的應用
摘要
在現代金融浪潮的推動下,越來越多的人加入到股市,進行投資行為,以期得到豐厚的回報,這極大促進了股票市場的繁榮。而在這種投資行為的背後,越來越多的投資者逐漸意識到股市預測的重要性。
所謂股票預測是指:根據股票現在行情的發展情況地對未來股市發展方向以及漲跌程度的預測行為。這種預測行為只是基於假定的因素為既定的前提條件為基礎的。但是在股票市場中,行情的變化與國家的宏觀經濟發展、法律法規的制定、公司的運營、股民的信心等等都有關聯,因此所謂的預測難於准確預計。
時間序列分析是經濟預測領域研究的重要工具之一,它描述歷史數據隨時間變化的規律,並用於預測經濟數據。在股票市場上,時間序列預測法常用於對股票價格趨勢進行預測,為投資者和股票市場管理管理方提供決策依據。
㈢ 應用計量經濟學時間序列分析在股票預測上有多大的作用
作用沒有想像中的大，你可以用股票的滯後變數來進行回歸分析，滯後2~3期就夠了，不過數據必須具體點，最好細分到每季度、每月的上證指數，還有時間上怎麼也要十年左右吧！
我以前在論文附錄中做過分析，數據都是自己按季度整理的，挺麻煩的呢，如果需要的話就發給你~
還有就是，我覺得寫關於股票的預測方面的實際用處並不是很大，畢竟股票的影響因素太多，單單的憑藉以前的走勢而預期太不好了。。我自己也炒股票，就像那些macd、kdj之類的指標根本就起不到太大的作用，如果那個能預期的話，股市豈不就成了提款機了？現在你做的這個就像是那些指標一樣，要知道，股市是活的，人是活的，而指標確實死的！說這么多的意思就是股市不是能簡單預測的，你做的那個用處不大。。
如果你想做的話，建議換個題目，我當時的寫的是對弗里德曼的貨幣需求理論在中國市場的分析。你可以寫寫貨幣供應量對通貨膨脹的時滯性，分析下在我國市場的滯後期大概是多少~數據在國家統計局和中國人民銀行都可以找到的，樣本空間一定要足夠大，在對滯後變數分析時候主要考慮各自的T檢驗是否通過，一般從通過之後大概就是那個的滯後期！這個比較直接反而有些許用處~
要是能分析出國家的一般性政策對實體市場的影響就更好了，更有用了~
呵呵，以上只是自己的建議~有什麼其他的問題就給我留言吧~
㈣ 在財務數據分析中，如何用時間序列分析法預測股票市場變化趨勢
時間序列分析法是一種將歷史時間數據解釋為未來趨勢的技術，可以應用於股察棚桐票市場預測。以下是一個基本的時間序列分析框架，可用於預測股票市場變化趨勢：
1.數據收集：收集歷史股票價格數據、交易量數據和其他經濟指標（如通貨膨脹率、利率等）。
2.數據清理：將數據進行清理包括刪除異常值、缺失值及對齊時間序列。和賀
3.數據探索：通過描述性統計、可視化等方法探索數據，了解數據特徵，並確定時間序列的平穩性。
4.時間序列分解：將時間序列分解為趨勢、季節性和隨機成分，以了解時間序列的變化模式。
5.模型選擇：根據數據探索和時間序列分解的結果選擇適合的時間序列模型，如ARIMA模型、指數平滑模型等。
6.模型擬合：使用選定的模型進行擬合，並通過模型診斷檢查模型的擬合優度。
7.預測：使用已擬合的模型預測未敗坦來一段時間的股票價格或趨勢。
8.模型評估：使用預測結果對模型進行評估和改進。
使用時間序列分析法對股票市場進行預測需要具備相關的統計和數學知識，同時需要靈活運用各種時間序列模型以及數據科學方法。而股票市場受到多種因素的影響，因此預測的准確性取決於所選特徵與相應數據的質量、時效和適用性。
㈤ 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