⑴ 时间序列预测方法有哪些分类，分别适合使用的情况是
时间序列预测方法根据对资料分析方法的不同，可分为：简单序时平均数法、加权序时平均数法、移动平均法、加权移动平均法、趋势预测法、指数平滑法、季节性趋势预测法、市场寿命周期预测法等。
1、简单序时平均数法只能适用于事物变化不大的趋势预测。如果事物呈现某种上升或下降的趋势，就不宜采用此法。
2、加权序时平均数法就是把各个时期的历史数据按近期和远期影响程度进行加权，求出平均值，作为下期预测值。
3、简单移动平均法适用于近期期预测。当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。
4、加权移动平均法即将简单移动平均数进行加权计算。在确定权数时，近期观察值的权数应该大些，远期观察值的权数应该小些。
5、指数平滑法即根用于中短期经济发展趋势预测，所有预测方法中，指数平滑是用得最多的一种。
6、季节趋势预测法根据经济事物每年重复出现的周期性季节变动指数，预测其季节性变动趋势。
7、市场寿命周期预测法，适用于对耐用消费品的预测。这种方法简单、直观、易于掌握。
(1)预测股票用哪种时间序列模型扩展阅读：
时间序列预测法的特征
1、时间序列分析法是根据过去的变化趋势预测未来的发展，前提是假定事物的过去延续到未来。运用过去的历史数据,通过统计分析，进一步推测未来的发展趋势。不会发生突然的跳跃变化,是以相对小的步伐前进；过去和当前的现象，可能表明现在和将来活动的发展变化趋向。
2.时间序列数据变动存在着规律性与不规律性
时间序列中的每个观察值大小，是影响变化的各种不同因素在同一时刻发生作用的综合结果。从这些影响因素发生作用的大小和方向变化的时间特性来看，这些因素造成的时间序列数据的变动分为四种类型：趋势性、周期性、随机性、综合性。
⑵ 股票的预测模型有哪些
如果不看技术分析，你可以看下经典的股票估值模型，分为绝对估值和相对估值。
绝对估值主要有DDM和DCF，相对估值就是用PE、PEG、EV/EBITDA等进行估值。
再就是具体问题具体分析了，比如无套利均衡分析。特殊的模型，像期权定价，时间序列分析，Monte Carlo simulation等,要么直接套用现成的，要么根据已有数据自己构建，专业软件里都有操作，没有完全准确的预测方法。
⑶ 怎么用机器学习模型做时间序列预测
SVM理论是在统计学习理论的基础上发展起来的,由于统计学习理论和SVM方法对有限样本情况下模式识别中的一些根本性的问题进行了系统的理论研究,很大程度上解决了以往的机器学习中模型的选择与过学习问题、非线性和维数灾难、局部极小点问题等。应用SVM进行回归预测的步骤具体如下:
1)实验规模的选取,决定训练集的数量、测试集的数量,以及两者的比例;2)预测参数的选取;3)对实验数据进行规范化处理;4)核函数的确定;5)核函数参数的确定。其中参数的选择对SVM的性能来说是十分重要的,对于本文的核函数使用RBF核函数,对于RBF核函数,SVM参数包括折衷参数C、核宽度C和不敏感参数E。目前SVM方法的参数、核函数的参数选择,在国际上都还没有形成统一的模式,也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻和交叉检验等进行寻优。实际应用中经常为了方便,主观设定一个较小的正数作为E的取值,本文首先在C和C的一定范围内取多个值来训练,定下各个参数取值的大概范围,然后利用留一法来具体选定参数值
股价时间序列的SVM模型最高阶确定
股价数据是一个时间序列,从时间序列的特征分析得知,股价具有时滞、后效性,当天的股价不仅还与当天各种特征有关,还与前几天的股价及特征相关,所以有必要把前几天的股价和特征作为自变量来考虑。最高阶确定基本原理是从低阶开始对系统建模,然后逐步增加模型的阶数,并用F检验对这些模型进行判别来确定最高阶n,这样才能更客观反映股票价格的时滞特性。具体操作步骤如下:假定一多输入单输出回归模型有N个样本、一个因变量(股价)、m- 1个自变量(特征),由低阶到高阶递推地采用SVM模型去拟合系统(这儿的拓阶就是把昨天股价当做自变量,对特征同时拓阶),并依次对相邻两个SVM模型采用F检验的方法判断模型阶次增加是否合适[ 7]。对相邻两模型SVM ( n)和SVM ( n+ 1)而言,有统计量Fi为:Fi=QSVR (n)- QSVR( n+1)QSVR (n)1N - m n - (m -1)mi =1,2,,, n(1)它服从自由度分别为m和(N - m n - (m -1) )的F分布,其中QSVR (n)和QSVR( n+1)分别为SVR ( n)和QSVR( n+1)的剩余离差平方和,若Fi< F(?,m, N-m n- (m-1) ),则SVM (n )模型是合适的;反之,继续拓展阶数。
前向浮动特征筛选
经过上述模型最高阶数的确定后,虽然确定了阶数为n的SVM模型,即n个特征,但其中某些特征对模型的预测精度有不利影响,本文采用基于SVM和留一法的前向浮动特征特征筛选算法选择对提高预测精度有利影响的特征。令B= {xj: j=1,2,,, k}表示特征全集, Am表示由B中的m个特征组成的特征子集,评价函数MSE (Am)和MSE (Ai) i =1,2,,, m -1的值都已知。本文采用的前向浮动特征筛选算法如下[9]:1)设置m =0, A0为空集,利用前向特征筛选方法寻找两个特征组成特征子集Am(m =2);2)使用前向特征筛选方法从未选择的特征子集(B -Am)中选择特征xm +1,得到子集Am+1;3)如果迭代次数达到预设值则退出,否则执行4);4)选择特征子集Am+1中最不重要的特征。如果xm+1是最不重要的特征即对任意jXm +1, J (Am +1- xm+1)FJ(Am +1- xj)成立,那么令m = m +1,返回2) (由于xm+1是最不重要的特征,所以无需从Am中排除原有的特征);如果最不重要的特征是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,设置Am= A'm,J (Am) = J (A'm), ,返回2),否则转向步骤5);5)在特征子集A'm中寻找最不重要的特征xs,如果MSE (A'm- xs)EM SE (Am-1),那么设置Am= A'm, MSE (Am)= MSE (A'm),返回2);如果M SE (A'm- xs) < M SE (Am -1),那么A'm从中排除xs,得到A'm-1= Am- xs,令m = m -1;如果m =2,设置Am= A'm, MSE (Am) = MSE (A'm)返回2),否则转向5)。最后选择的特征用于后续建模预测。
预测评价指标及参比模型
训练结果评估阶段是对训练得出的模型推广能力进行验证,所谓推广能力是指经训练后的模型对未在训练集中出现的样本做出正确反应的能力。为了评价本文模型的优劣,选择BPANN、多变量自回归时间序列模型( CAR)和没有进行拓阶和特征筛选的SVM作为参比模型。采用均方误差(mean squared error, MSE)和平均绝对误差百分率(mean ab-solute percentage error, MAPE)作为评价指标。MSE和MAP定义如下:M SE=E(yi- y^i)2n( 2)MAPE=E| yi- y^i| /yin( 3)其中yi为真值, y^i为预测值, n为预测样本数。如果得出M SE, MAPE结果较小,则说明该评估模型的推广能力强,或泛化能力强,否则就说明其推广能力较差
⑷ 股票价值评估的模型有哪些分别适用于哪些情况,在实际操作中需要注意什么问题
股票价值评估分以下几种模型：
1.DDM模型（Dividend discount model /股利折现模型)
2.DCF /Discount Cash Flow /折现现金流模型）
（1）FCFE （ Free cash flow for the equity equity /股权自由现金流模型)模型
（2）FCFF模型（ Free cash flow for the firm firm /公司自由现金流模型）
DDM模型
V代表普通股的内在价值， Dt为普通股第t期支付的股息或红利，r为贴现率
对股息增长率的不同假定，股息贴现模型可以分为
：零增长模型、不变增长模型（高顿增长模型）、二阶段股利增长模型（H模型）、三阶段股利增长模型和多元增长模型等形式。
最为基础的模型；红利折现是内在价值最严格的定义； DCF法大量借鉴了DDM的一些逻辑和计算方法（基于同样的假设/相同的限制）。
1. DDM DDM模型模型法（Dividend discount model / Dividend discount model / 股利折现模型股利折现模型)
DDM模型
2. DDM DDM模型的适用分红多且稳定的公司，非周期性行业；
3. DDM DDM模型的不适用分红很少或者不稳定公司，周期性行业；
DDM模型在大陆基本不适用；
大陆股市的行业结构及上市公司资金饥渴决定，分红比例不高，分红的比例与数量不具有稳定性，难以对股利增长率做出预测。
DCF 模型
2.DCF /Discount Cash Flow /折现现金流模型） DCF估值法为最严谨的对企业和股票估值的方法，原则上该模型适用于任何类型的公司。
自由现金流替代股利，更科学、不易受人为影响。
当全部股权自由现金流用于股息支付时， FCFE模型与DDM模型并无区别；但总体而言，股息不等同于股权自由现金流，时高时低，原因有四：
稳定性要求（不确定未来是否有能力支付高股息）；
未来投资的需要（预计未来资本支出/融资的不便与昂贵）；
税收因素（累进制的个人所得税较高时）；
信号特征（股息上升/前景看好；股息下降/前景看淡）
DCF模型的优缺点
优点：比其他常用的建议评价模型涵盖更完整的评价模型，框架最严谨但相对较复杂的评价模型。需要的信息量更多,角度更全面, 考虑公司发展的长期性。较为详细，预测时间较长，而且考虑较多的变数，如获利成长、资金成本等，能够提供适当思考的模型。
缺点：需要耗费较长的时间，须对公司的营运情形与产业特性有深入的了解。考量公司的未来获利、成长与风险的完整评价模型，但是其数据估算具有高度的主观性与不确定性。复杂的模型，可能因数据估算不易而无法采用，即使勉强进行估算，错误的数据套入完美的模型中，也无法得到正确的结果。小变化在输入上可能导致大变化在公司的价值上。该模型的准确性受输入值的影响很大（可作敏感性分析补救）。
⑸ 时间序列分析模型——ARIMA模型
姓名：车文扬 学号：16020199006
【嵌牛导读】：什么是 ARIMA模型
【嵌牛鼻子】： ARIMA
【嵌牛提问】： ARIMA模型可以具体应用到什么地方？
【嵌牛正文】：
一、研究目的
传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但经济理论通常不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。为了解决这些问题而出现了一种用非结构方法来建立各个变量之间关系的模型，如向量自回归模型（vector autoregression,VAR）和向量误差修正模型（vector error correction model,VEC）。
在经典的回归模型中，主要是 通过回归分析来建立不同变量之间的函数关系（因果关系），以考察事物之间的联系 。本案例要讨论如何 利用时间序列 数据本身建立模型，以研究事物发展自身的规律 ，并据此对事物未来的发展做出预测。研究时间序列数据的意义：在现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。在现实中很多问题，如利率波动、收益率变化、反映股市行情的各种指数等通常都可以表达为时间序列数据，通过研究这些数据，发现这些经济变量的变化规律（对于某些变量来说，影响其发展变化的因素太多，或者是主要影响变量的数据难以收集，以至于难以建立回归模型来发现其变化发展规律，此时，时间序列分析模型就显现其优势——因为这类模型不需要建立因果关系模型，仅需要其变量本身的数据就可以建模），这样的一种建模方式就属于时间序列分析的研究范畴。而时间序列分析中，ARIMA模型是最典型最常用的一种模型。
二、ARIMA模型的原理
1、ARIMA的含义。 ARIMA包含3个部分，即AR、I、MA。AR——表示auto regression，即自回归模型；I——表示integration，即单整阶数，时间序列模型必须是平稳性序列才能建立计量模型，ARIMA模型作为时间序列模型也不例外，因此首先要对时间序列进行单位根检验，如果是非平稳序列，就要通过差分来转化为平稳序列，经过几次差分转化为平稳序列，就称为几阶单整；MA——表示moving average，即移动平均模型。可见，ARIMA模型实际上是AR模型和MA模型的组合。
ARIMA模型与ARMA模型的区别：ARMA模型是针对平稳时间序列建立的模型。ARIMA模型是针对非平稳时间序列建模。换句话说，非平稳时间序列要建立ARMA模型，首先需要经过差分转化为平稳时间序列，然后建立ARMA模型。
2、ARIMA模型的原理。 正如前面介绍，ARIMA模型实际上是AR模型和MA模型的组合。
AR模型的形式如下：
其中：参数为常数，是阶自回归模型的系数；为自回归模型滞后阶数；是均值为0，方差为的白噪声序列。模型记做——表示阶自回归模型。
MA模型的形式如下：
其中：参数为常数；参数是阶移动平均模型的系数；为移动平均模型滞后阶数；是均值为0，方差为的白噪声序列。模型记做——表示阶移动平均模型。
ARIMA模型的形式如下：
模型记做。为自回归模型滞后阶数，为时间序列单整阶数，为阶移动平均模型滞后阶数。当时，，此时ARIMA模型退化为MA模型；当时，，ARIMA模型退化为AR模型。
3、建立ARIMA模型需要解决的3个问题。 由以上分析可知，建立一个ARIMA模型需要解决以下3个问题：
（1）将非平稳序列转化为平稳序列。
（2）确定模型的形式。即模型属于AR、MA、ARMA中的哪一种。这主要是通过 模型识别 来解决的。
（3）确定变量的滞后阶数。即和的数字。这也是通过 模型识别 完成的。
4、ARIMA模型的识别
ARIMA模型识别的工具为自相关系数（AC）和偏自相关系数（PAC）。
自相关系数： 时间序列滞后k阶的自相关系数由下式估计：
其中是序列的样本均值，这是相距k期值的相关系数。称为时间序列的自相关系数，自相关系数可以部分的刻画一个随机过程的形式。它表明序列的邻近数据之间存在多大程度的相关性。
偏自相关系数： 偏自相关系数是在给定的条件下，之间的条件相关性。其相关程度用偏自相关系数度量。在k阶滞后下估计偏自相关系数的计算公式为：
其中是在k阶滞后时的自相关系数估计值。称为偏相关是因为它度量了k期间距的相关而不考虑k-1期的相关。如果这种自相关的形式可由滞后小于k阶的自相关表示，那么偏相关在k期滞后下的值趋于0。
识别：
AR(p) 模型 的自相关系数是随着k的增加而呈现指数衰减或者震荡式的衰减，具体的衰减形式取决于AR(p)模型滞后项的系数；AR(p)模型的偏自相关系数是p阶截尾的。因此可以通过识别AR(p)模型的偏自相关系数的个数来确定AR(p)模型的阶数p。
MA(q) 模型 的自相关系数在q步以后是截尾的。MA(q)模型的偏自相关系数一定呈现出拖尾的衰减形式。
ARMA(p,q) 模型 是AR(p)模型和MA(q)模型的组合模型，因此ARMA(p,q)的自相关系数是AR(p)自相关系数和MA(q)的自相关系数的混合物。当p=0时，它具有截尾性质；当q=0时，它具有拖尾性质；当p,q都不为0，它具有拖尾性质。
通常，ARMA(p,q)过程的偏自相关系数可能在p阶滞后前有几项明显的 尖柱 ，但从p阶滞后项开始逐渐趋于0；而它的自相关系数则是在q阶滞后前有几项明显的 尖柱 ，从q阶滞后项开始逐渐趋于0。
三、数据和变量的选择
本案例选取我国实际GDP的时间序列建立ARIMA模型，样本区间为1978—2001。数据来源于国家统计局网站上各年的统计年鉴，GDP数据均通过GDP指数换算为以1978年价格计算的值。见表1：
表1：我国1978—2003年GDP（单位：亿元）
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模型的建立步骤
1、单位根检验，确定单整阶数。
由单位根检验的案例分析可知，GDP时间序列为2阶单整的。即d=2。通过2次差分，将GDP序列转化为平稳序列 。利用序列来建立ARMA模型。
2、模型识别
确定模型形式和滞后阶数，通过自相关系数（AC）和偏自相关系数（PAC）来完成识别。
首先将GDP数据输入Eviews软件，查看其二阶差分的AC和PAC。打开GDP序列窗口，点击View按钮，出现下来菜单，选择Correlogram（相关图），如图：
打开相关图对话框，选择二阶差分（2nd difference），点击OK，得到序列的AC和PAC。（也可以将GDP序列先进行二阶差分，然后在相关图中选择水平（Level））
从图中可以看出，序列的自相关系数（AC）在1阶截尾，偏自相关系数（PAC）在2阶截尾。因此判断模型为ARMA模型，且，。即：
3、建模
由以上分析可知，建立模型。首先将GDP序列进行二次差分，得到序列。然后在Workfile工作文件簿中新建一个方程对话框，采用 列表法 的方法对方程进行定义。自回归滞后项用ar表示，移动平均项用ma表示。本例中自回归项有两项，因此用ar(1)、ar(2)表示，移动平均项有一项，用ma(1)表示，如图：
点击确定，得到模型估计结果：
从拟合优度看，，模型拟合效果较好，DW统计量为2.43，各变量t统计量也通过显着性检验，模型较为理想。对残差进行检验，也是平稳的，因此判断模型建立正确。
⑹ 预测股票用哪个模型
股票的预测模型：
净现金流量折现法；
投资机会折现法；
股利折现法；
盈余折现法；
⑺ ARIMA模型
我看过的对ARMIA模型最简单明了的文章：https://www.cnblogs.com/bradleon/p/6827109.html
1,什么是 ARIMA模型
ARIMA模型的全称叫做自回归移动平均模型，全称是(ARIMA, Autoregressive Integrated Moving Average Model)。也记作ARIMA(p,d,q)，是统计模型(statistic model)中最常见的一种用来进行时间序列 预测的模型。
1.1. ARIMA的优缺点
优点： 模型十分简单，只需要内生变量而不需要借助其他外生变量。(所谓内生变量指的应该是仅依赖于该数据本身，而不像回归需要其他变量)
缺点：
1.要求时序数据是稳定的（stationary），或者是通过差分化(differencing)后是稳定的。
2.本质上只能捕捉线性关系，而不能捕捉非线性关系。
注意，采用ARIMA模型预测时序数据，必须是稳定的，如果不稳定的数据，是无法捕捉到规律的。比如股票数据用ARIMA无法预测的原因就是股票数据是非稳定的，常常受政策和新闻的影响而波动。
1.2. 判断是时序数据是稳定的方法。
严谨的定义： 一个时间序列的随机变量是稳定的，当且仅当它的所有统计特征都是独立于时间的（是关于时间的常量）。
判断的方法：
稳定的数据是没有趋势(trend)，没有周期性(seasonality)的; 即它的均值，在时间轴上拥有常量的振幅，并且它的方差，在时间轴上是趋于同一个稳定的值的。
可以使用Dickey-Fuller Test进行假设检验。
1.3 ARIMA的参数与数学形式
ARIMA模型有三个参数:p,d,q。
p--代表预测模型中采用的时序数据本身的滞后数(lags) ,也叫做AR/Auto-Regressive项
d--代表时序数据需要进行几阶差分化，才是稳定的，也叫Integrated项。
q--代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项
4.ARIMA模型的几个特例
1.ARIMA(0,1,0) = random walk:
当d=1，p和q为0时，叫做random walk，如图所示，每一个时刻的位置，只与上一时刻的位置有关。
预测公式如下：Yˆt=μ+Yt−1
⑻ 求高手帮忙，时间序列分析预测法一般用于那些方面，有什么优缺点
时间序列是指同一变量按事件发生的先后顺序排列起来的一组观察值或记录值。构成时间序列的要素有两个：其一是时间，其二是与时间相对应的变量水平。实际数据的时间序列能够展示研究对象在一定时期内的发展变化趋势与规律，因而可以从时间序列中找出变量变化的特征、趋势以及发展规律，从而对变量的未来变化进行有效地预测。时间序列的变动形态一般分为四种：长期趋势变动，季节变动，循环变动，不规则变动。时间序列预测法的应用：系统描述根据对系统进行观测得到的时间序列数据，用曲线拟合方法对系统进行客观的描述。系统分析当观测值取自两个以上变量时，可用一个时间序列中的变化去说明另一个时间序列中的变化，从而深入了解给定时间序列产生的机理。预测未来一般用ARMA模型拟合时间序列，预测该时间序列未来值。决策和控制根据时间序列模型可调整输入变量使系统发展过程保持在目标值上，即预测到过程要偏离目标时便可进行必要的控制。时间序列预测法的基本特点是：假定事物的过去趋势会延伸到未来；预测所依据的数据具有不规则性；撇开了市场发展之间的因果关系。找的好辛苦！！！⑼ 请股票高手给我解释一下江恩时间序列的奥秘
一、啥时买，啥时卖？
A、什么时候买入股票
1、大盘相对低点时买入股票。一般股民想在最低点买入股票，实际上这是办不到的（即使做到也是偶然的），能做到大盘相对低点，或者说是大盘处于低位，这时入市比较安全。
2、个股价位处于低位时买入股票。
3、证券营业部里投资者已稀稀拉拉时买入股票。
B、买什么股票
1、买有稳定业绩的绩优股。买股票一定要看准股票业绩。该买的股票业绩要稳定，千万不要买业绩大起大落的股票（业绩大起大落的股票适于炒作，不适于工薪阶层投资）避免股票业绩下降，股价下降，深度套牢，难以解放。
2、买成长性好的高科技股。这个前提既是高科技又具有成长性，否则，干脆不要买。
3、与左邻右舍相比较，属于价位相对低的股票。如有几个股票行业性质相同，业绩差不多，盘子基本相同，而其中一只价位偏低，市盈率低，那么这个股票可以介入。
总之，买股票要再三考虑、分批建仓。当在大盘低迷时，某股票业绩稳定，价位低的股票就可开始分散分批建仓。
C、什么时候卖出股票
1、自己设定一个盈利点。如盈利20％出局，假如某一股票10元，该股票涨到12元多一点即可卖出。
2、自己设定一个止损点。如亏损8-10％卖出。
3、当大盘进入某一高位时，当证券市场里人头济济时，就应该卖出。
4、卖出时要果断