时间序列课程设计.doc

安 徽 建 筑 大 学 时 间 序 列 课 程 设 计 题目：用时间序列分析对股票数据进行模型拟合及预测 院系： 专业： 班级： 学号： 姓名： 指导教师：俞泽鹏 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。即使是证券分析师的预测也只能作为股民入市操作的一般参考意见。时间序列数据因为接受到许多偶然因素的影响,会常常表现出随机性,在统计学上称之为序列的依赖关系。 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。 本文主要介绍了时间序列分析方法的概念,性质,特点以及时间序列模型,包括建模时对数据时间序列的预处理、模型识别、参数估计、模型检验、模型优化以及模型预测等。并根据道琼斯指数对收盘价进行短期预测,通过对时间序列分析理论的实证研究分析,建立时间序列模型,说明时间序列分析的方法对于股票价格的预测趋势有一定的参考价值。 关键词： 股票 预测 平稳白噪声序列 自回归 一阶差分 时序图 自相关图 ADF检验 目录： 给定数据进行分析 绘制时序图 平稳性检验 纯随机性检验 模型的识别与拟合 模型的检验 对后五个月进行预测 上海市某股票2010年至2014年各月的市价总值如下表 日期 市价总值 2010年1月 169410.79 2010年2月 174852.63 2010年3月 179578.57 2010年4月 165860.99 2010年5月 149971.17 2010年6月 139065.89 2010年7月 161367 2010年8月 163401.11 2010年9月 165191.88 2010年10月 187015.42 2010年11月 178723.83 2010年12月 179007.24 2011年1月 179868.17 2011年2月 187914.34 2011年3月 190187.17 2011年4月 189910.3 2011年5月 179410.67 2011年6月 181250.69 2011年7月 177654.98 2011年8月 169769.78 2011年9月 156629.15 2011年10月 165015.16 2011年11月 156401.73 2011年12月 148376.23 2012年1月 155020.92 2012年2月 164763.61 2012年3月 154942.35 2012年4月 164410.86 2012年5月 162995.08 2012年6月 153189.31 2012年7月 145228.16 2012年8月 142246.66 2012年9月 145002.93 2012年10月 144324.71 2012年11月 138226.31 2012年12月 158698.44 2013年1月 167496.85 2013年2月 166305.89 2013年3月 157311.68 2013年4月 153372.45 2013年5月 162317.73 2013年6月 139774.52 2013年7月 141092 2013年8月 148444.65 2013年9月 154176 2013年10月 151969.82 2013年11月 157701.31 2013年12月 151165.27 2014年1月 146312.12 2014年2月 148812.1 2014年3月 147741.56 2014年4月 147495.35 2014年5月 148663.67 2014年6月 149421.28 2014年7月 161470.57 2014年8月 163342.43 2014年9月 176124.14 2014年10月 180974.34 2014年11月 201252.15 2014年12月 243974.02 （1）（）；（）。 进一步进