时间序列分析股票预测

Ⅰ 如何用GARCH(1,1)求股票的具体波动率数据

以哈飞股份(600038)为例，运用GARCH（1,1）模型计算股票市场价值的波动率。

GARCH（1,1）模型为：

(1)

(2)

其中， 为回报系数， 为滞后系数， 和 均大于或等于0。

（1）式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期向前预测方差，所以称为条件均值方程。

（2）式给出的方程中： 为常数项， （ARCH项）为用均值方程的残差平方的滞后项， （GARCH项）为上一期的预测方差。此方程又称条件方差方程，说明时间序列条件方差的变化特征。

通过以下六步进行求解：

本文选取哈飞股份2009年全年的股票日收盘价，采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下：

第一步：计算日对数收益率并对样本的日收益率进行基本统计分析，结果如图1和图2。

日收益率采用JP摩根集团的对数收益率概念，计算如下：

其中Si，Si-1分别为第i日和第i-1日股票收盘价。

图1 日收益率的JB统计图

对图1日收益率的JB统计图进行分析可知：

（1）标准正态分布的K值为3，而该股票的收益率曲线表现出微量峰度（Kurtosis=3.748926>3），分布的凸起程度大于正态分布，说明存在着较为明显的“尖峰厚尾”形态；

（2）偏度值与0有一定的差别，序列分布有长的左拖尾，拒绝均值为零的原假设，不属于正态分布的特征；

（3）该股票的收益率的JB统计量大于5%的显着性水平上的临界值5.99，所以可以拒绝其收益分布正态的假设，并初步认定其收益分布呈现“厚尾”特征。

以上分析证明，该股票收益率呈现出非正态的“尖峰厚尾”分布特征，因此利用GARCH模型来对波动率进行拟合具有合理性。

第二步：检验收益序列平稳性

在进行时间序列分析之前，必须先确定其平稳性。从图2日收益序列的路径图来看，有比较明显的大的波动，可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验方法来验证，目前流行也是最为普遍应用的检验方法是单位根检验，鉴于ADF有更好的性能，故本文采用ADF方法检验序列的平稳性。

从表1可以看出，检验t统计量的绝对值均大于1%、5％和10%标准下的临界值的绝对值，因此，序列在1%的显着水平下拒绝原假设，不存在单位根，是平稳序列，所以利用GARCH（1,1）模型进行检验是有效的。

图2 日收益序列图

表1ADF单位根检验结果

第三步：检验收益序列相关性

收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3（滞后阶数 =15）。从表4.3可以看出，在大部分时滞上，日收益率序列的自相关函数和偏自相关函数值都很小，均小于0.1，表明收益率序列并不具有自相关性，因此，不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。

表2自相关检验结果

第四步：建立波动性模型

由于哈飞股份收益率序列为平稳序列，且不存在自相关，根据以上结论，建立如下日收益率方程：

(3)

(4)

第五步：对收益率残差进行ARCH检验

平稳序列的条件方差可能是常数值，此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验，考察其是否存在条件异方差，收益序列残差ARCH检验结果如表3。可以发现，在滞后10阶时，ARCH检验的伴随概率小于显着性水平0.05，拒绝原假设，残差序列存在条件异方差。在条件异方差的理论中，滞后项太多的情况下，适宜采用GARCH（1,1）模型替代ARCH模型，这也说明了使用GARCH（1,1）模型的合理性。

表3日收益率残差ARCH检验结果

第六步：估计GARCH模型参数，并检验

建立GARCH（1,1）模型，并得到参数估计和检验结果如表4。其中，RESID(-1)^2表示GARCH模型中的参数α，GARCH（-1）表示GARCH模型中的参数β，根据约束条件α+β<1，有RESID(-1)^2+GARCH（-1）=0.95083＜1，满足约束条件。同时模型中的AIC和SC值比较小，可以认为该模型较好地拟合了数据。

表4日收益率波动率的GARCH（1,1）模型的参数估计

Ⅱ 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~

Ⅲ 什么时候用回归分析，什么时候用时间序列

两者的核心区别在于对数据的假设回归分析假设每个数据点都是独立的，而时间序列则是利用数据之间的相关性进行预测。
本文会先说明两者对数据的具体假设差异，再说明AR模型为什么虽然看上去像回归分析但还是有差别，最后也提到一个常见的混淆两者后在金融方向可能出现的问题。
回归分析对数据的假设：独立性在回归分析中，我们假设数据是相互独立的。这种独立性体现在两个方面：一方面，自变量(X)是固定的，已被观测到的值，另一方面，每个因变量(y)的误差项是独立同分布，对于线性回归模型来说，误差项是独立同分布的正态分布，并且满足均值为0，方差恒定。
这种数据的独立性的具体表现就是：在回归分析中，数据顺序可以任意交换。在建模的时候，你可以随机选取数据循序进行模型训练，也可以随机选取一部分数据进行训练集和验证集的拆分。也正因为如此，在验证集中，每个预测值的误差都是相对恒定的：不会存在误差的积累，导致预测准确度越来越低。
时间序列对数据的假设：相关性但对于时间序列分析而言，我们必须假设而且利用数据的相关性。核心的原因是我们没有其他任何的外部数据，只能利用现有的数据走向来预测未来。因此，我们需要假设每个数据点之间有相关性，并且通过建模找到对应的相关性，利用它去预测未来的数据走向。这也是为什么经典的时间序列分析(ARIMA)会用ACF（自相关系数）和PACF（偏自相关系数）来观察数据之间的相关性。
ACF和PACF分别用两种方式衡量数据点与数据点之间的相关性时间序列对相关性的假设直接违背了回归分析的独立性假设。在多段时间序列预测中，一方面，对于未来预测的自变量可能无法真实的观察到，另一方面，随着预测越来越远，误差会逐渐积累：你对于长远未来的预测应该会比近期预测更不确定。因此，时间序列分析需要采用一种完全不同的视角，用不同的模型去进行分析研究。
AR模型和线性回归模型的“相似”和区别时间序列分析中一个基础模型就是AR(Auto-Regressive)模型。它利用过去的数据点来预测未来。举例而言，AR(1)模型利用当前时刻的数据点预测未来的值，它们的数学关系可以被表示为：
它的表达形式的确和线性回归模型非常类似，甚至连一般的AR(n)模型都和线性回归有很高的相似性。唯一的差别就是等式右边的自变量(X)变成了过去的因变量(y)
而正是因为这一点微小的差异，导致两者的解完全不同。在AR模型中，由于模型自变量成为了过去的因变量，使得自变量与过去的误差之间有相关性。而这种相关性使得
利用线性模型得到的AR模型的解会是有偏估计(biased)。对于上述结论的实际证明需要引入过多的概念。在此我们只对AR(1)模型作为一个特例来分析。不失一般性，我们可以通过平移数据将AR(1)模型表示成如下的形式：
对于这类模型，线性回归会给出以下的估计值：对于一般的线性回归模型而言，由于所有的自变量都会被视为已经观测到的真实值。所以当我们取均值的时候，我们可以把分母当作已知，通过过去观测值和未来误差无关的性质得到无偏的结论。
利用回归模型预测AR模型的数据模拟结果：参数估计会是有偏估计事实上，我们会用线性回归模型去近似求解AR模型。因为虽然结果会是有偏的，但是却是一致估计。也就是说，当数据量足够大的时候，求解的值会收敛于真实值。这里就不再做展开了。
忽视独立性的后果：金融方向的常见错误希望看到这里你已经弄懂了为什么不能混淆模型的假设：尤其是独立性或相关性的假设。接下来我会说一个我见过的
因为混淆假设导致的金融方向的错误随着机器学习的发展，很多人希望能够将机器学习和金融市场结合起来。利用数据建模来对股票价格进行预测。他们会用传统的机器学习方法将得到的数据随机的分配成训练集和测试集。利用训练集训练模型去预测股票涨跌的概率（涨或跌的二维分类问题）。然后当他们去将模型应用到测试集时，他们发现模型的表现非常优秀——能够达到80～90%的准确度。但是在实际应用中却没有这么好的表现。
造成这个错误的原因就是他们没有认识到数据是高度相关的。对于时间序列，我们不能通过随机分配去安排训练集和测试集，否则就会出现“利用未来数据”来预测“过去走向”的问题。这个时候，即使你的模型在你的测试集表现出色，也不代表他真的能预测未来股价的走向。
总结时间序列和回归分析的主要区别在于对数据的假设：回归分析假设每个数据点都是独立的，而时间序列则是利用数据之间的相关性进行预测。虽然线性回归和AR模型看上去有很大的相似性。但由于缺失了独立性，利用线性回归求解的AR模型参数会是有偏的。但又由于这个解是一致的，所以在实际运用中还是利用线性回归来近似AR模型。忽视或假设数据的独立性很可能会造成模型的失效。金融市场的预测的建模尤其需要注意这一点。

Ⅳ 时间序列分析方法

时间序列是指一组在连续时间上测得的数据，其在数学上的定义是一组向量x(t), t=0,1,2,3,...，其中t表示数据所在的时间点，x(t)是一组按时间顺序（测得）排列的随机变量。包含单个变量的时间序列称为单变量时间序列，而包含多个变量的时间序列则称为多变量。

时间序列在很多方面多有涉及到，如天气预报，每天每个小时的气温，股票走势等等，在商业方面有诸多应用，如：

下面我们将通过一个航班数据来说明如何使用已有的工具来进行时间序列数据预测。常用来处理时间序列的包有三个：

对于基于AR、MA的方法一般需要数据预处理，因此本文分为三部分：

通过简单的初步处理以及可视化可以帮助我们有效快速的了解数据的分布（以及时间序列的趋势）。

观察数据的频率直方图以及密度分布图以洞察数据结构，从下图可以看出：

使用 statsmodels 对该时间序列进行分解，以了解该时间序列数据的各个部分，每个部分都代表着一种模式类别。借用 statsmodels 序列分解我们可以看到数据的主要趋势成分、季节成分和残差成分，这与我们上面的推测相符合。

如果一个时间序列的均值和方差随着时间变化保持稳定，则可以说这个时间序列是稳定的。

大多数时间序列模型都是在平稳序列的前提下进行建模的。造成这种情况的主要原因是序列可以有许多种（复杂的）非平稳的方式，而平稳性只有一种，更加的易于分析，易于建模。

在直觉上，如果一段时间序列在某一段时间序列内具有特定的行为，那么将来很可能具有相同的行为。譬如已连续观察一个星期都是六点出太阳，那么可以推测明天也是六点出太阳，误差非常小。

而且，与非平稳序列相比，平稳序列相关的理论更加成熟且易于实现。

一般可以通过以下几种方式来检验序列的平稳性：

如果时间序列是平稳性的，那么在ACF/PACF中观测点数据与之前数据点的相关性会急剧下降。

下图中的圆锥形阴影是置信区间，区间外的数据点说明其与观测数据本身具有强烈的相关性，这种相关性并非来自于统计波动。

PACF在计算X(t)和X(t-h)的相关性的时候，挖空在（t-h，t）上所有数据点对X(t)的影响，反应的是X(t)和X(t-h)之间真实的相关性（直接相关性）。

从下图可以看出，数据点的相关性并没有急剧下降，因此该序列是非平稳的。

如果序列是平稳的，那么其滑动均值/方差会随着时间的变化保持稳定。

但是从下图我们可以看到，随着时间的推移，均值呈现明显的上升趋势，而方差也呈现出波动式上升的趋势，因此该序列是非平稳的。

一般来讲p值小于0.05我们便认为其是显着性的，可以拒绝零假设。但是这里的p值为0.99明显是非显着性的，因此接受零假设，该序列是非平稳的。

从上面的平稳性检验我们可以知道该时间序列为非平稳序列。此外，通过上面1.3部分的序列分解我们也可以看到，该序列可分解为3部分：

我们可以使用数据转换来对那些较大的数据施加更大的惩罚，如取对数、开平方根、立方根、差分等，以达到序列平稳的目的。

滑动平均后数据失去了其原来的特点（波动式上升），这样损失的信息过多，肯定是无法作为后续模型的输入的。

差分是常用的将非平稳序列转换平稳序列的方法。ARIMA中的 'I' 便是指的差分，因此ARIMA是可以对非平稳序列进行处理的，其相当于先将非平稳序列通过差分转换为平稳序列再来使用ARMA进行建模。

一般差分是用某时刻数值减去上一时刻数值来得到新序列。但这里有一点区别，我们是使用当前时刻数值来减去其对应时刻的滑动均值。

我们来看看刚刚差分的结果怎么样。

让我们稍微总结下我们刚刚的步骤：

通过上面的3步我们成功的将一个非平稳序列转换成了一个平稳序列。上面使用的是最简单的滑动均值，下面我们试试指数滑动平均怎么样。

上面是最常用的指数滑动平均的定义，但是pandas实现的指数滑动平均好像与这个有一点区别，详细区别还得去查pandas文档。

指数滑动均值的效果看起来也很差。我们使用差分+指数滑动平均再来试试吧。

在上面我们通过 取log+(指数)滑动平均+差分 已经成功将非平稳序列转换为了平稳序列。

下面我们看看，转换后的平稳序列的各个成分是什么样的。不过这里我们使用的是最简单的差分，当前时刻的值等于原始序列当前时刻的值减去原始序列中上一时刻的值，即： x'(t) = x(t) - x(t-1)。

看起来挺不错，是个平稳序列的样子。不过，还是检验一下吧。

可以看到，趋势(Trend)部分已基本被去除，但是季节性(seasonal)部分还是很明显，而ARIMA是无法对含有seasonal的序列进行建模分析的。

在一开始我们提到了3个包均可以对时间序列进行建模。

为了简便，这里 pmdarima 和 statsmodels.tsa 直接使用最好的建模方法即SARIMA，该方法在ARIMA的基础上添加了额外功能，可以拟合seasonal部分以及额外添加的数据。

在使用ARIMA（Autoregressive Integrated Moving Average）模型前，我们先简单了解下这个模型。这个模型其实可以包括三部分，分别对应着三个参数（p, d, q）：

因此ARIMA模型就是将AR和MA模型结合起来然后加上差分，克服了不能处理非平稳序列的问题。但是，需要注意的是，其仍然无法对seasonal进行拟合。

下面开始使用ARIMA来拟合数据。

（1） 先分训练集和验证集。需要注意的是这里使用的原始数据来进行建模而非转换后的数据。

（2）ARIMA一阶差分建模并预测

（3）对差分结果进行还原

先手动选择几组参数，然后参数搜索找到最佳值。需要注意的是，为了避免过拟合，这里的阶数一般不太建议取太大。

可视化看看结果怎么样吧。

（6）最后，我们还能对拟合好的模型进行诊断看看结果怎么样。

我们主要关心的是确保模型的残差（resial）部分互不相关，并且呈零均值正态分布。若季节性ARIMA（SARIMA）不满足这些属性，则表明它可以进一步改善。模型诊断根据下面的几个方面来判断残差是否符合正态分布：

同样的，为了方便，我们这里使用 pmdarima 中一个可以自动搜索最佳参数的方法 auto_arima 来进行建模。

一般来说，在实际生活和生产环节中，除了季节项，趋势项，剩余项之外，通常还有节假日的效应。所以，在prophet算法里面，作者同时考虑了以上四项，即：

上式中，

更多详细Prophet算法内容可以参考 Facebook 时间序列预测算法 Prophet 的研究 。

Prophet算法就是通过拟合这几项，然后把它们累加起来得到时间序列的预测值。

Prophet提供了直观且易于调整的参数：

Prophet对输入数据有要求：

关于 Prophet 的使用例子可以参考 Prophet example notebooks

下面使用 Prophet 来进行处理数据。

参考：
Facebook 时间序列预测算法 Prophet 的研究
Prophet example notebooks
auto_arima documentation for selecting best model
数据分析技术：时间序列分析的AR/MA/ARMA/ARIMA模型体系
https://github.com/advaitsave/Introction-to-Time-Series-forecasting-Python
时间序列分析
My First Time Series Comp (Added Prophet)
Prophet官方文档： https://facebookincubator.github.io

Ⅳ 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。

Ⅵ 非平稳时间序列可以预测股票走势吗

一般把非平稳时间序列转化为平稳时间序列的方法是取n阶差分法。

比如举个例子，假设xt本身是不平稳的时间序列，如果xt～I(1) ,也就是说x的1阶差分是平稳序列。
那么 xt的1阶差分dxt=x(t)-x(t-1) 就是平稳的序列 这时dt=x(t-1)

如果xt～I(2)，就是说xt的2阶差分是平稳序列的话
xt的1n阶差分dxt=x(t)-x(t-1) 这时xt的1阶差分依然不平稳，
那么 对xt的1阶差分再次差分后，
xt的2阶差分ddxt=dxt-dxt（t-1）便是平稳序列 这时dt=-x(t-1)-dxt（t-1）

n阶的话可以依次类推一下。

Ⅶ 股票风险预测时，如何才能知道预测结果是否正确

随着机器学习和人工智能的兴起，预测：只需几行代码，就可以在初露头角的数据爱好者处轻松访问最新模型，且他们已经准备好随时攻克可能遇到的一切任务。

但是一知半解是危险的，虽然机器学习的大部分可以归因于统计和编程，但同样重要的是领域知识，但它往往被忽略。这一点在投资领域最为明显。

金融时间序列数据的信噪比一直都非常低，这种细微差别令人难以置信，从业人员花费了大量的精力来尝试实现难以捉摸的目标，但只有少数成功。因此，需要对数据进行更深入的了解，并且找出其成功的共通之处。

很多项目都是从选择一只股票开始的，这只股票通常是苹果(Apple)或亚马逊(Amazon)等科技公司的股票，原因很简单，这些公司众所周知，并在消费者的日常生活中根深蒂固。

这是有问题的，因为选股不是一个任意的过程，它是投资决策过程的一部分，本身需要一个模型。

以苹果为例，如果我们将其表现与更广泛的标准普尔500指数(SP 500)进行对比，我们会发现苹果的表现比该指数高出近60%。

乍一看，EWMA对标普500指数的预测非常准确，但如果我们仔细观察市场下滑的时期，就会发现情况并非看上去那样。

尽管蓝线和橙线似乎紧密相连，但EWMA策略仅能融合过去的信息，即它只包含了过去的信息，无法应对日内波动的信息，因此往往导致它预测上涨，但实际是下跌，反之亦然。在此期间采取这种策略，其表现将逊于标普500指数。

结论

在开始一个股票预测项目之前，特别是在你打算投入实际资金的项目之前，先对这个主题做一些研究并了解数据是有好处的。

如果结果好得令人难以置信。由于参与者的数量越来越多，而且参与者的水平也越来越高，市场在价格发现方面极其有效，尤其是在股票方面。

尽管这可能不会排除潜在机会的可能性，但这意味着需要比即时可用的算法和标准预处理技术更多的努力才能找到它。

Ⅷ 对股票收盘价进行时间序列分析，预测其下一个交易日的收盘价,并与实际收盘价格进行对比

股票投资的分析这么复杂啊，先问问老师有依据这个买股票没，再回答。

Ⅸ SPSS-数据分析之时间序列分析

当数据与时间息息相关，常具有周期性的变化规律，此时，时间序列分析是一个很好的发现分析及预测其发展变化的统计方法，接下来简要分享统计分析软件SPSS中时间序列分析的操作。

问：什么是时间序列？

答：时间序列是时间间隔不变的情况下收集的不同时间点数据集合。

问：那时间序列分析又是什么？

答：时间序列分析是通过研究历史数据的发展变化规律来预测事物的未来发展的统计学方法。公司营业额、销售额，人口数量，股票等方面的变化预测皆可通过此统计方法。

SPSS中的操作

首先，对数据进行 预处理：

1.查看数据是否有缺失，若有，不便后续处理，则需进行替换缺失值。

转换→替换缺失值→选择新变量→输入新变量名称、选择替换缺失值方法。

2.定义日期

数据→定义日期和时间

3.平稳性检验（平稳性指的是期望不变，方差恒定，协方差不随时间改变）

检验方法：时序图检验、自相关图检验等。可通过创建时间序列实现数据的平稳化

转换→创建时间序列

结果（例：运行中位数——跨度为1，则等于原数据）

数据预处理后对数据进行分析研究——序列图、谱分析、自相关等。

1.序列图：分析→时间序列预测→序列图→根据需要选择变量、时间轴标签等。

结果（例）：可观察数据的大致波动情况。

2.谱分析：分析→时间序列预测→谱分析→根据需要选择变量、图表。

结果（例）

对于周期变化的数据，主要用于侦测系统隐含的周期或者节律行为；

对于非周期的数据，主要用于揭示系统演化过程的自相关特征。

3.自相关：分析→时间序列预测→自相关→选择变量及其他。

结果：

解读：直条高低代表自相关系数的大小，横轴1-16代表自相关的阶数，上下线之间是不具有统计学意义的，偏自相关是去除自相关系数的关联性传递性之后，用偏自相关系数考察剩余的相关性是否还存在。

关于SPSS时间序列分析的简要介绍就结束啦！

END

文 | FM