毕业论文

打赏
当前位置: 毕业论文 > 数学论文 >

ARIMA模型对于上证综指的拟合分析

时间:2020-08-15 10:31来源:毕业论文
利用 模型对上证指数的收益率进行拟合,利用 软件对股票价格建立 模型,提出了股票价格序列一步向前静态的预测方法.研究成果可以用于对股票价格序列的建模及股价短期预测,为企业和

摘  要 :本文利用 模型对上证指数的收益率进行拟合,利用 软件对股票价格建立 模型,提出了股票价格序列一步向前静态的预测方法.研究成果可以用于对股票价格序列的建模及股价短期预测,为企业和投资者在进行相关决策的时候提供有益的参考.53941

毕业论文关键词: 模型, 上证指数预测, 时间序列

Abstract:This paper simulate the yield rate of Shanghai composite index by ARIMA model,establish ARIMA model on the stock price by EVIEWS software ,this paper proposes a series of one step forward prediction methods about the stock price sequence. According to the research, we can establish the model of the stock price sequence and predict the stock price in the short term. Furthermore, advantageous references can also be provided for enterprises and investors when making related decisions.

Keywords: ARIMA model , SSE forecasts, Time series

  目录

1. 引言      4

2.   模型...  4

2.1  模型简介....  4 

2.2  模型结构....  5

   2.2.1  自回归模型 ..  5

   2.2.2  移动平均模型   5

   2.2.3    模型..  5

   2.2.4    模型   5

3.   模型的应用 .  5

3.1   模型在上证指数中的应用....  5 

3.2 判定原始序列的稳定性 .  6

3.3 模型的定阶..  7 

3.4 建立模型方程.  9

结论... 12

参考文献.... 13

致谢... 14

1  引言  

随着社会经济的发展,股票逐渐步入平常百姓的生活当中,并且与我们的生活息息相关.股票价格的上涨与下跌直接影响到了居民的收入,一夜暴富或者一夜倾家荡产,这种事情已经不新鲜了.企业内的公司的财务状况,整个股票市场的状况,以及整体经济状况都会影响到股票的价格,当然,还有一些其他的因素也会或多或少的影响到股票的价格.上证综合指数则是集中了有代表性多种股票的研究 ,基本上可以认为这反映了中国股票市场的水平 .由于影响股价波动的因素比较多 ,所以对于股票价格的预测比较困难.股票价格几乎是不可能预测准确的,但我们想要来刻画它的时候,就会去寻找不同的方法和模型.用传统的回归分析模型和时间序列分析方法 比较我们就会发现,在预测股价的时候,时间序列分析方法模型一般比传统的回归分析模型简单 ,所使用的费用也相对较少 ,对于表面上看起来毫无规律可循的数据比较适合.所以在预测股票价格的时候,选择时间序列分析模型中的 模型 还是比较适用的.

2   模型

2.1   模型简介

 模型全称为差分自回归移动平均模型 ,是由Box和Jenkins于70年代初提出的著名时间序列预测方法.其中 称为差分自回归移动平均模型, 模型(以下简称 模型)是自回归模型;   模型(以下简称 模型)为移动平均模型, 是时间序列成为平稳时所需要做差分的次数.它是将时间序列的自相关分析作为基础,预测时间序列短期准确度比较高的方法. 模型在上证指数预测的过程中不仅考虑了在时间序列上的依存性,而且还考虑了随机波动的干扰性,对于上证指数短期趋势预测准确率比较高,是应用较为广泛的方法之一.

2.2   模型结构

2.2.1  自回归模型 

  是 阶自回归模型,满足方程:

 .其中,参数 为常数项; 是自回归模型系数;  为自回归模型阶数;  是均值为 ,方差为  的白噪声序列. ARIMA模型对于上证综指的拟合分析:http://www.youerw.com/shuxue/lunwen_58126.html

------分隔线----------------------------
推荐内容