『壹』 怎麼用excel對股票收盤價進行時間序列分析
最好附上內容
『貳』 請問在某一時間內股票的市場價格是怎麼算出來的
某股票的市場即時價格是由電腦根據當時的成交價格（買賣雙方的成交價）即時反映出來的，而不是人工計算出來的。
『叄』 時間序列里 y0 是什嘛意思 例如 Y=（y0,y1,y2)
y0就是初始狀態值，如果該時間序列模擬的是股票價格，那麼y0就是初期股票價格
相應的y1、y2分別為1期、2期股票價格
『肆』 股票價格的隨機遊走的含義
隨機遊走模型的提出是與證券價格的變動模式緊密聯系在一起的。最早使用統計方法分析收益率的著作是在 1900年由路易·巴舍利耶（Louis Bachelier）發表的，他把用於分析賭博的方法用於股票、債券、期貨和期權。在巴舍利耶的論文中，其具有開拓性的貢獻就在於認識到隨機遊走過程是布 朗運動。1953年，英國統計學家肯德爾在應用時間序列分析研究股票價格波動並試圖得出股票價格波動的模式時，得到了一個令人大感意外的結論：股票價格沒 有任何規律可尋，它就象「一個醉漢走步一樣，幾乎宛若機會之魔每周仍出一個隨機數字，把它加在目前的價格上，以此決定下一周的價格。」即股價遵循的是隨機 遊走規律。
這也跟市場有效原則有關
弱有效證券市場是指證券價格能夠充分反映價格歷史序列中包含的所有信息，如有關證券的價格、交易量等。如果這些歷史信息對證券價格變動都不會產生任何影響，則意味著證券市場達到了弱有效。
『伍』 如何用R 語言 建立 股票價格的時間序列
在下想用R語言對股票價格進行時間序列分析。
問題出在第一步，如何將股票價格轉換為時間序列。
我想用的語句是 pri <- ts (data, start=(), frequency= )
但是我不知道frequency 項該如何填？
因為股票的交易日是一周五天的。 那麼這個frequency 該如何設置呢？
我知道通常frequency= 12 為月度數據，frequency= 4 為季度數據，frequency= 1 為年度數據 但日數據怎麼寫我就不知道了
初學R語言，還望各位大俠多多幫助。
『陸』 什麼時候用回歸分析，什麼時候用時間序列
兩者的核心區別在於對數據的假設回歸分析假設每個數據點都是獨立的，而時間序列則是利用數據之間的相關性進行預測。
本文會先說明兩者對數據的具體假設差異，再說明AR模型為什麼雖然看上去像回歸分析但還是有差別，最後也提到一個常見的混淆兩者後在金融方向可能出現的問題。
回歸分析對數據的假設：獨立性在回歸分析中，我們假設數據是相互獨立的。這種獨立性體現在兩個方面：一方面，自變數(X)是固定的，已被觀測到的值，另一方面，每個因變數(y)的誤差項是獨立同分布，對於線性回歸模型來說，誤差項是獨立同分布的正態分布，並且滿足均值為0，方差恆定。
這種數據的獨立性的具體表現就是：在回歸分析中，數據順序可以任意交換。在建模的時候，你可以隨機選取數據循序進行模型訓練，也可以隨機選取一部分數據進行訓練集和驗證集的拆分。也正因為如此，在驗證集中，每個預測值的誤差都是相對恆定的：不會存在誤差的積累，導致預測准確度越來越低。
時間序列對數據的假設：相關性但對於時間序列分析而言，我們必須假設而且利用數據的相關性。核心的原因是我們沒有其他任何的外部數據，只能利用現有的數據走向來預測未來。因此，我們需要假設每個數據點之間有相關性，並且通過建模找到對應的相關性，利用它去預測未來的數據走向。這也是為什麼經典的時間序列分析(ARIMA)會用ACF（自相關系數）和PACF（偏自相關系數）來觀察數據之間的相關性。
ACF和PACF分別用兩種方式衡量數據點與數據點之間的相關性時間序列對相關性的假設直接違背了回歸分析的獨立性假設。在多段時間序列預測中，一方面，對於未來預測的自變數可能無法真實的觀察到，另一方面，隨著預測越來越遠，誤差會逐漸積累：你對於長遠未來的預測應該會比近期預測更不確定。因此，時間序列分析需要採用一種完全不同的視角，用不同的模型去進行分析研究。
AR模型和線性回歸模型的「相似」和區別時間序列分析中一個基礎模型就是AR(Auto-Regressive)模型。它利用過去的數據點來預測未來。舉例而言，AR(1)模型利用當前時刻的數據點預測未來的值，它們的數學關系可以被表示為：
它的表達形式的確和線性回歸模型非常類似，甚至連一般的AR(n)模型都和線性回歸有很高的相似性。唯一的差別就是等式右邊的自變數(X)變成了過去的因變數(y)
而正是因為這一點微小的差異，導致兩者的解完全不同。在AR模型中，由於模型自變數成為了過去的因變數，使得自變數與過去的誤差之間有相關性。而這種相關性使得
利用線性模型得到的AR模型的解會是有偏估計(biased)。對於上述結論的實際證明需要引入過多的概念。在此我們只對AR(1)模型作為一個特例來分析。不失一般性，我們可以通過平移數據將AR(1)模型表示成如下的形式：
對於這類模型，線性回歸會給出以下的估計值：對於一般的線性回歸模型而言，由於所有的自變數都會被視為已經觀測到的真實值。所以當我們取均值的時候，我們可以把分母當作已知，通過過去觀測值和未來誤差無關的性質得到無偏的結論。
利用回歸模型預測AR模型的數據模擬結果：參數估計會是有偏估計事實上，我們會用線性回歸模型去近似求解AR模型。因為雖然結果會是有偏的，但是卻是一致估計。也就是說，當數據量足夠大的時候，求解的值會收斂於真實值。這里就不再做展開了。
忽視獨立性的後果：金融方向的常見錯誤希望看到這里你已經弄懂了為什麼不能混淆模型的假設：尤其是獨立性或相關性的假設。接下來我會說一個我見過的
因為混淆假設導致的金融方向的錯誤隨著機器學習的發展，很多人希望能夠將機器學習和金融市場結合起來。利用數據建模來對股票價格進行預測。他們會用傳統的機器學習方法將得到的數據隨機的分配成訓練集和測試集。利用訓練集訓練模型去預測股票漲跌的概率（漲或跌的二維分類問題）。然後當他們去將模型應用到測試集時，他們發現模型的表現非常優秀——能夠達到80～90%的准確度。但是在實際應用中卻沒有這么好的表現。
造成這個錯誤的原因就是他們沒有認識到數據是高度相關的。對於時間序列，我們不能通過隨機分配去安排訓練集和測試集，否則就會出現「利用未來數據」來預測「過去走向」的問題。這個時候，即使你的模型在你的測試集表現出色，也不代表他真的能預測未來股價的走向。
總結時間序列和回歸分析的主要區別在於對數據的假設：回歸分析假設每個數據點都是獨立的，而時間序列則是利用數據之間的相關性進行預測。雖然線性回歸和AR模型看上去有很大的相似性。但由於缺失了獨立性，利用線性回歸求解的AR模型參數會是有偏的。但又由於這個解是一致的，所以在實際運用中還是利用線性回歸來近似AR模型。忽視或假設數據的獨立性很可能會造成模型的失效。金融市場的預測的建模尤其需要注意這一點。
『柒』 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。
『捌』 股市時間周期理論
股票沒有周期性，因為股票系統還是比較完善的系統，博弈系統就是0和1，如果有周期性那麼很容易算出來它的周期點，而環球經濟系統基本就不是一直的，可以說是市場獨立而又相通，比如歐盟，在英國離歐之前走勢幾乎前三國沒多大區別（英，法，德），但是英國離歐之後趨勢就不一樣了，當然在晚上美國開盤前後可以看出，歐洲收市之前和美洲開盤之後的走勢圖幾乎一樣，但是不會完全一樣，全球性的區別也可以通過查看20160104至20160131之間的全球K線你會發現，20180129至20180206之間的全球各國K線發現。金融會有蔓延性，重復性，還有特徵性。希望回答對你有幫助，如果要專業，希望網路貼吧見，也希望此微博對你有幫助網頁鏈接
『玖』 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