基于回归研究方法股票价格预测研究.docVIP

基于回归研究方法股票价格预测研究 　　【摘要】本文讨论了股票价格预测的回归分析方法，应用该方法对五只股票价格进行了预测，且对预测的结果加以分析。 【关键词】股价预测，回归分析，模型建立 1引言 股票价格是众多影响因素共同作用的结果，通过量化各种影响因素并建立它们与股价的关系来进行预测是很难做到的，而股票价格预测是通过从海量的股价历史数据中寻找和该支股票当前趋势相同或相似的趋势，并根据历史趋势判断未来股票价格。 2回归分析方法 回归分析方法可以分为线性回归和非线性回归。在做回归分析之前为了判断回归变量和响应变量之间的关系，我们可以画出两变量数据散点图来初步决定采用哪种回归方法。回归模型中回归变量（自变量）和响应变量（因变量）的选取十分关键。在股票价格预测的回归模型中，响应变量当然是股票价格，回归变量看似有很多选择，因为股票价格的影响因素非常之多，但是问题在于这些影响因素很难量化，即使可以量化，也缺乏相关数据。在这种情况下，回归变量的选取最合适的对象莫过于时间，因为我们最关心的是股价随时间的变化趋势，我们要预测的也是股价在未来某时刻的数值，因此回归变量选取时间（单位：天）。 2.1散点图分析 为了确定采用线性模型还是非线性模型，需要对各支股票价格与相应时间做散点图简要分析。我们从散点图的走势可以知道，江苏吴中的股价预测适合采用线性模型或二次模型，同理可得，京东方A股价预测适合采用二次或三次模型，而海通证券适合采用一种形式不定的非线性模型。 2.2回归模型建立 采用SPSS回归项中的曲线估计（Analyze-Regression-Curve Estimation）来进行回归分析，综合各种回归模型，选取回归效果最好的回归模型得到以下结果。 2.2.1江苏吴中股价回归模型 结果解读： （1）模型的决定系数为R方为0.941，比较接近于1，说明二次模型拟合效果还是不错的； （2）回归的显著性F检验中，检验的P值为0，远小于0.05，说明二次模型是显著的； （3）一次项回归系数为-0.005，二次项回归系数为0.001，常数项为7.617，从而回归方程为：y=7.617-0.005x+0.001x2， 其中y代表当天股票的收盘价，x表示第x天（设数据是从第一天开始采集的）。 根据得到的回归方程可以得到股票收盘价的预测值： 2.2.2 京东方A股价回归模型 结果解读： （1）模型的决定系数为R方为0.622，比较接近于1，说明三次模型拟合效果还是不错的； （2）回归的显著性F检验中，检验的P值为0，远小于0.05，说明三次模型是显著的； （3）一次项标准化回归系数为2.1，二次项标准化回归系数为-5.538，三次项标准化回归系数为4.288，常数项为0，从而标准化回归方程为：y*=2.1z-5.538z2+4.288z3，其中，y*表示当天股票收盘价的标准化值，z表示时间的标准化。 根据得到的回归方程可以得到股票收盘价的预测值： 2.2.3 海通证券股价回归模型 结果解读： （1）模型的决定系数为R方为0.611，比较接近于1，说明三次模型拟合效果还是不错的； （2）回归的显著性F检验中，检验的P值为0，远小于0.05，说明三次模型是显著的； （3）一次项标准化回归系数为7.859，二次项标准化回归系数为-19.122，三次项标准化回归系数为11.658，常数项为0，从而标准化回归方程为y*=7.859z-19.122z2+11.658z3，其中，y*表示当天股票收盘价的标准化值，z表示时间的标准化。 根据得到的回归方程可以得到股票收盘价的预测值： 3试验结果及分析 通过上面的回归分析股票价格的预测模型，我们可以完成对三只样本股票价格的预测，并可以通过预测得到的股票价格与实际的股票价格进行对比，得出预测的准确率的统计，并分析模型优劣。三只股票的预测价格如下表： 由表4可以看出，由此模型预测的股票价格的平均相对误差均在5.00%左右，但收盘价的预测值的相对误差最大达到了9.69%。股票开盘价与收盘价第一天的价格预测值均在0.80%以下，预测价格相对理想。 由表5可以看出，由此模型预测的股票价格的平均相对误差均在4.50%以上，且两种价格的预测值的相对误差最大均达到了9.9%。第一股票价格的预测值相对误差较小，但随着时间的增长，股票价格的相对误差均在逐渐增长，预测失去准确性。 由表6可以看出，由此模型预测的股票价格的平均相对误差均在4.00%以上，且两种价格的预测值的相对误差最大均达到了6.00%。两只股票第一的价格预测值均超过了10.00%