㈠ 哪種時間序列分析法可以用了分析股票
斐波那契算嗎
㈡ 時間序列在股市有哪些應用
時間序列分析在股票市場中的應用
摘要
在現代金融浪潮的推動下,越來越多的人加入到股市,進行投資行為,以期得到豐厚的回報,這極大促進了股票市場的繁榮。而在這種投資行為的背後,越來越多的投資者逐漸意識到股市預測的重要性。
所謂股票預測是指:根據股票現在行情的發展情況地對未來股市發展方向以及漲跌程度的預測行為。這種預測行為只是基於假定的因素為既定的前提條件為基礎的。但是在股票市場中,行情的變化與國家的宏觀經濟發展、法律法規的制定、公司的運營、股民的信心等等都有關聯,因此所謂的預測難於准確預計。
時間序列分析是經濟預測領域研究的重要工具之一,它描述歷史數據隨時間變化的規律,並用於預測經濟數據。在股票市場上,時間序列預測法常用於對股票價格趨勢進行預測,為投資者和股票市場管理管理方提供決策依據。
㈢ 怎麼看待用時間序列來預測某支股票走勢
莊家分析方法：莊家炒股票也要獲利。同樣是買、賣的差價獲利。與散戶不同的是，他可以控制股票的走勢和價格，也就是說散戶獲利是靠期待股價上漲，而莊家則是自己拉動股價上漲。 所以，莊家炒作包括四部分：建倉、拉高、整理、出貨。所謂的「洗盤」，多為吃貨。一般是吃、拉、出三部曲。
莊家建倉一般要選擇股價較低時，而且希望越低越好，他恨不得砸兩個板再買。所以，「拉高吃貨」之類，以及股價已經創新高還說是吃貨，等等，千萬別信。吃貨結束之後，一般會有一個急速的拉升過程。一旦一隻股票開始大漲，它就脫離了安全區，隨時都有出貨的可能。所以我的中線推薦一律是在低位。 當莊家認為出貨時機未到時，就需要在高位進行橫盤整理，一般是打個差價，散戶容易誤認為出貨。 莊家出貨一般要做頭部，頭部的特點是成交量大，振幅大，除非趕上大盤做頭，一般個股的頭部時間都在1個月以上。
莊家分析方法是一種綜合分析方法，不能單看圖形，也要參考技術，還得注意股票的基本面和一些外圍情況
㈣ 基於時間序列分析的股票價格短期預測，這個開題報告怎麼弄，收費的就不用麻煩了
你好，希望我們可以幫你。相關資料在知網，萬維網能查到資料。基於時間序列分析的股票價格短期預測開題報告是我們特長，我們的服務特色：支持支付寶交易，保證你的資金安全。3種服務方式，文章多重審核，保證文章質量。附送抄襲檢測報告，讓你用得放心。修改不限次數，再刁難的老師也能過。
㈤ （三）時間序列分析的基本方法
1.模型的選擇和建模基本步驟
（1）建模基本步驟
1）用觀測、調查、取樣，取得時間序列動態數據。
2）作相關圖，研究變化的趨勢和周期，並能發現跳點和拐點。拐點則是指時間序列從上升趨勢突然變為下降趨勢的點，如果存在拐點，則在建模時必須用不同的模型去分段擬合該時間序列。
3）辨識合適的隨機模型，進行曲線擬合。
（2）模型的選擇
當利用過去觀測值的加權平均來預測未來的觀測值時，賦予離得越近的觀測值以更多的權，而「老」觀測值的權數按指數速度遞減，稱為指數平滑（exponential smoothing），它能用於純粹時間序列的情況。
對於短的或簡單的時間序列，可用趨勢模型和季節模型加上誤差來進行擬合。對於平穩時間序列，可用自回歸（AR）模型、移動平均（MA）模型或其組合的自回歸移動平均（ARMA）模型等來擬合。
一個純粹的AR模型意味著變數的一個觀測值由其以前的p個觀測值的線性組合加上隨機誤差項而成，就像自己對自己回歸一樣，所以稱為自回歸模型。
MA模型意味著變數的一個觀測值由目前的和先前的n個隨機誤差的線性的組合。
當觀測值多於50個時一般採用ARMA模型。
對於非平穩時間序列，則要先將序列進行差分（Difference，即每一觀測值減去其前一觀測值或周期值）運算，化為平穩時間序列後再用適當模型去擬合。這種經差分法整合後的ARMA模型稱為整合自回歸移動平均模型（Autoregressive Integrated Moving Average），簡稱ARIMA模型（張文彤，2002；薛薇，2005；G.E.P.Box et al.，1994）。
ARIMA模型要求時間序列滿足平穩性和可逆性的條件，即序列均值不隨著時間增加或減少，序列的方差不隨時間變化。但由於我們所關注的地層元素含量變化為有趨勢和周期成分的時間序列，都不是平穩的，這就需要對其進行差分來消除這些使序列不平穩的成分。所以我們選擇更強有力的ARIMA模型。
2.平穩性和周期性研究
有些數學模型要檢驗周期性變化是否為平穩性過程，即其統計特性不隨時間而變化，我們可根據序列圖、自相關函數圖、偏自相關函數圖和譜密度圖等對序列的平穩性和周期性進行識別。當序列圖上表現有明顯分段特徵時可採用分段計演算法，若分段求得的每段頻譜圖基本一致或相似，則認為過程是平穩的，否則是非平穩的。
自相關函數ACF（Autocorrelations function）是描述序列當前觀測值與序列前面的觀測值之間簡單和常規的相關系數；而偏自相關函數PACF（Partial autocorrelations function）是在控制序列其他的影響後，測度序列當前值與某一先前值之間的相關程度。
平穩過程的自相關系數和偏自相關系數只是時間間隔的函數，與時間起點無關，都會以某種方式衰減趨近於0。
當ACF維持許多期的正相關，且ACF的值通常是很緩慢地遞減到0，則序列為非平穩型。
序列的自相關-偏自相關函數具有對稱性，即反映了周期性變化特徵。
3.譜分析
確定性周期函數X（t）（設周期為T）在一定條件下通過傅里葉（Fourier）級數展開可表示成一些不同頻率的正弦和餘弦函數之和（陳磊等，2001），這里假設為有限項，即：
洞庭湖區第四紀環境地球化學
其中，頻率fk=k/T，k=1，2，…，N。
上式表明：如果拋開相位的差別，這類函數的周期變化完全取決於各餘弦函數分量的頻率和振幅。換句話說，我們可以用下面的函數來表示X（t）的波動特徵：
洞庭湖區第四紀環境地球化學
函數p（f）和函數X（t）表達了同樣的周期波動，兩者實際上是等價的，只不過是從頻域和時域兩個不同角度來描述而已。稱p（f）為X（t）的功率譜密度函數，簡稱譜密度。它不僅反映了X（t）中各固有分量的周期情況，還同時顯示出這些周期分量在整體X（t）中各自的重要性。具體說，在X（t）中各周期分量的對應頻率處，譜密度函數圖應出現較明顯的凸起，分量的振幅越大，峰值越高，對X（t）的整體影響也越大。
事實上，無論問題本身是否具有周期性或不確定性（如連續型隨機過程或時間序列）都可以採用類似的方法在頻域上加以描述，只是表示的形式和意義比上面要復雜得多。時間序列的譜分析方法就是要通過估計時間序列的譜密度函數，找出序列中的各主要周期分量，通過對各分量的分析達到對時間序列主要周期波動特徵的把握。
根據譜分析理論，對一個平穩時間序列｛Xt｝，如果其自協方差函數R（k）滿足
如何從實際問題所給定的時間序列 ｛Xt，t=1，2，…，n｝ 中估計出其譜密度或標准譜密度函數是譜分析要解決的主要問題。本書採用圖基-漢寧（Tukey-Hanning）窗譜估計法。
㈥ 應用計量經濟學時間序列分析在股票預測上有多大的作用
作用沒有想像中的大，你可以用股票的滯後變數來進行回歸分析，滯後2~3期就夠了，不過數據必須具體點，最好細分到每季度、每月的上證指數，還有時間上怎麼也要十年左右吧！
我以前在論文附錄中做過分析，數據都是自己按季度整理的，挺麻煩的呢，如果需要的話就發給你~
還有就是，我覺得寫關於股票的預測方面的實際用處並不是很大，畢竟股票的影響因素太多，單單的憑藉以前的走勢而預期太不好了。。我自己也炒股票，就像那些macd、kdj之類的指標根本就起不到太大的作用，如果那個能預期的話，股市豈不就成了提款機了？現在你做的這個就像是那些指標一樣，要知道，股市是活的，人是活的，而指標確實死的！說這么多的意思就是股市不是能簡單預測的，你做的那個用處不大。。
如果你想做的話，建議換個題目，我當時的寫的是對弗里德曼的貨幣需求理論在中國市場的分析。你可以寫寫貨幣供應量對通貨膨脹的時滯性，分析下在我國市場的滯後期大概是多少~數據在國家統計局和中國人民銀行都可以找到的，樣本空間一定要足夠大，在對滯後變數分析時候主要考慮各自的T檢驗是否通過，一般從通過之後大概就是那個的滯後期！這個比較直接反而有些許用處~
要是能分析出國家的一般性政策對實體市場的影響就更好了，更有用了~
呵呵，以上只是自己的建議~有什麼其他的問題就給我留言吧~
㈦ 怎樣用時間序列預測股票走勢
莊家分析方法：莊家炒股票也要獲利。同樣是買、賣的差價獲利。與散戶不同的是，他可以控制股票的走勢和價格，也就是說散戶獲利是靠期待股價上漲，而莊家則是自己拉動股價上漲。 所以，莊家炒作包括四部分：建倉、拉高、整理、出貨。所謂的「洗盤」，多為吃貨。一般是吃、拉、出三部曲。
莊家建倉一般要選擇股價較低時，而且希望越低越好，他恨不得砸兩個板再買。所以，「拉高吃貨」之類，以及股價已經創新高還說是吃貨，等等，千萬別信。吃貨結束之後，一般會有一個急速的拉升過程。一旦一隻股票開始大漲，它就脫離了安全區，隨時都有出貨的可能。所以我的中線推薦一律是在低位。 當莊家認為出貨時機未到時，就需要在高位進行橫盤整理，一般是打個差價，散戶容易誤認為出貨。 莊家出貨一般要做頭部，頭部的特點是成交量大，振幅大，除非趕上大盤做頭，一般個股的頭部時間都在1個月以上。
莊家分析方法是一種綜合分析方法，不能單看圖形，也要參考技術，還得注意股票的基本面和一些外圍情況。
㈧ 基於時間序列分析的股票價格優勢趨勢預測的sas的程序
如果你指的是momentum，即動量交易的話，這個是一個搞金融學asset pricing常用的方法，你可以去找這方面的文獻，有告訴你怎麼編程思路的。我們有這樣的程序，但是除非是研究合作，不可能共享出來的。