1. 國際黃金價格預測建模，我要寫課堂論文，手頭上收集了近40多天的國際黃金價格，用ARIMA模型可以描述么
我這里有30天，時時，60天，一年，5年和10年的歷史數據
建議你要是分析的話就看最近的一次伯南特講話和當天黃金走勢。數據分析不一定要多，要看關鍵因素
2. 如何用Arma模型做股票估計
時間序列分析是經濟領域應用研究最廣泛的工具之一,它用恰當的模型描述歷史數據隨時間變化的規律,並分析預測變數值。ARMA模型是一種最常見的重要時間序列模型,被廣泛應用到經濟領域預測中。給出ARMA模型的模式和實現方法,然後結合具體股票數據揭示股票變換的規律性,並運用ARMA模型對股票價格進行預測。
選取長江證券股票具體數據進行實證分析
1.數據選取。
由於時間序列模型往往需要大樣本,所以這里我選取長江證券從09/03/20到09/06/19日開盤價,前後約三個月,共計60個樣本,基本滿足ARMA建模要求。
數據來源:大智慧股票分析軟體導出的數據(股價趨勢圖如下)
從上圖可看出有一定的趨勢走向,應為非平穩過程,對其取對數lnS,再觀察其平穩性。
2.數據平穩性分析。
先用EVIEWS生成新序列lnS並用ADF檢驗其平穩性。
(1)ADF平穩性檢驗,首先直接對數據平穩檢驗,沒通過檢驗,即不平穩。
可以看出lnS沒有通過檢驗,也是一個非平穩過程,那麼我們想到要對其進行差分。
(2)一階差分後平穩性檢驗,ADF檢驗結果如下,通過1%的顯著檢驗,即數據一階差分後平穩。
可以看出差分後,明顯看出ADF Test Statistic 為-5.978381絕對值是大於1%的顯著水平下的臨界值的,所以可以通過平穩性檢驗。
3.確定適用模型,並定階。可以先生成原始數據的一階差分數據dls,並觀測其相關系數AC和偏自相關系數PAC,以確定其是為AR,MA或者是ARMA模型。
(1)先觀測一階差分數據dls的AC和PAC圖。經檢驗可以看出AC和PAC皆沒有明顯的截尾性,嘗試用ARMA模型,具體的滯後項p,q值還需用AIC和SC具體確定。
(2)嘗試不同模型,根據AIC和SC最小化的原理確定模型ARMA(p,q)。經多輪比較不同ARMA(p,q)模型,可以得出相對應AIC 和 SC的值。
經過多次比較最終發現ARMA(1,1)過程的AIC和SC都是最小的。最終選取ARIMA(1,1,1)模型作為預測模型。並得出此模型的具體表達式為:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的檢驗。選取ARIMA(1,1,1)模型,定階和做參數估計後,還應對其殘差序列進行檢驗,對其殘差的AC和Q統計檢驗發現其殘差自相關基本在0附近,且Q值基本通過檢驗,殘差不明顯存在相關,即可認為殘差中沒有包含太多信息,模型擬合基本符合。
5.股價預測。利用以上得出的模型,然後對長江證券6月22日、23日、24日股價預測得出預測值並與實際值比較如下。
有一定的誤差,但相比前期的漲跌趨勢基本吻合,這里出現第一個誤差超出預想的是因為6月22日正好是禮拜一,波動較大,這里正驗證了有研究文章用GARCH方法得出的禮拜一波動大的結果。除了禮拜一的誤差大點,其他日期的誤差皆在接受范圍內。
綜上所述,ARMA模型較好的解決了非平穩時間序列的建模問題,可以在時間序列的預測方面有很好的表現。藉助EViews軟體,可以很方便地將ARMA模型應用於金融等時間序列問題的研究和預測方面,為決策者提供決策指導和幫助。當然,由於金融時間序列的復雜性,很好的模擬還需要更進一步的研究和探討。在後期,將繼續在這方面做出自己的摸索。
3. （四）ARIMA模型方法
1.ARIMA模型的基本思想
將預測對象隨時間推移而形成的數據序列視為一個隨機序列，對其進行差分整合後用自回歸加移動平均來擬合，並據其對時間序列的過去值及未來值進行預測的數學方法，即ARIMA模型的基本思想。
ARIMA模型一般表示為ARIMA（p，d，q），其數學表達式為
φp（B）（1-B）dyt=θq（B）εt， （7-9）
式中：φp（B）=1-φ1B-…-φpBp，θq（B）=1-θ1B-…-θqBq；
AR是自回歸，p為自回歸項，MA為移動平均，q為移動平均項數，d為差分次數；yt是時間序列，B是後移運算元，φ1，…，φp為自回歸系數，θ1，…，θq為移動回歸系數，｛εt｝ 是白雜訊序列。
2.ARIMA模型預測基本程序
（1）平穩性識別
以自相關函數和偏自相關函數圖等來判定數列是否為平穩型。
（2）對非平穩序列進行平穩化處理
存在增長或下降趨勢，需進行差分處理，直到處理後的數據的自相關函數值和偏相關函數值顯著地等於零。
（3）根據時間序列模型的識別規則建立相應模型
據序列的自相關和偏相關函數圖判定模型的類型及p與q的階數。
在自相關和偏相關函數圖上，函數在某一步之後為零，稱為截尾；不能在某一步之後為零，而是按指數衰減或正負相間遞減的形式，稱為拖尾。
由自相關函數和偏相關函數是截尾還是拖尾及其期次可進行模型判別，標准見表7-8。
表7-8 模型參數的ACF-PACF圖判別的標准
（4）假設檢驗，診斷殘差序列是否為白雜訊
用χ2檢驗檢測所估計模型的白雜訊殘差，其殘差應是一隨機序列，否則進行殘差分析，必要時需重新確定模型。
（5）預測分析
利用已通過檢驗的模型進行預測分析，得到x（t）在t+1期，即1期以後的預測值，記這個預測值為x（t+1），稱它為未來第1期的預測值。
4. 對於股票價格,目前有哪些估價模型
市盈率模型：建立在靜態盈利能力基礎上的估值工具，使用最廣但是也最沒用！
市凈率模型：建立在凈資產數額基礎上的估值工具，比較有用，但是要看企業的凈資產究竟由什麼構成，是否足額計提了減值准備等問題。凈資產質量的判斷很重要。這個模型有點過時了，不過很直觀。我一直用這個模型。
市銷率模型：建立在銷售額基礎上的模型，銷售額有效的避免了企業個別年份業績暴增所帶來的假象，並可以發現並不是明顯被低估的股票。這個模型由費雪提出，很好很強大！本人是這個模型的忠實擁埠！
不變增長模型：建立在企業業績增長率不變的基礎上的估值模型，股票價格是企業未來的現金流的貼現。這個模型很簡單，也比較好。但是別當真啊！
5. ARIMA時間序列建模過程——原理及python實現
原文鏈接：http://tecdat.cn/?p=20742
時間序列被定義為一系列按時間順序索引的數據點。時間順序可以是每天，每月或每年。
以下是一個時間序列示例，該示例說明了從1949年到1960年每月航空公司的乘客數量。
最受歡迎的見解
1.在python中使用lstm和pytorch進行時間序列預測
2.python中利用長短期記憶模型lstm進行時間序列預測分析
3.使用r語言進行時間序列（arima，指數平滑）分析
4.r語言多元copula-garch-模型時間序列預測
5.r語言copulas和金融時間序列案例
6.使用r語言隨機波動模型sv處理時間序列中的隨機波動
7.r語言時間序列tar閾值自回歸模型
8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類
9.python3用arima模型進行時間序列預測
6. 如何建立一個股票量化交易模型並模擬
研究量化投資模型的目的是找出那些具體盈利確定性的時空價格形態，其最重要手段的概率取勝，最重要的技術是概率統計，最主要的研究方向是市場行為心理。那麼我們在選擇用於研究的參數時，也應該用我們的經驗來確定是否把某技術參數放進去，因為一般來說定性投資比較好用的參數指標對量化投資同樣適用。
量化投資區別於傳統定性投資的主要特徵在於模型。我打個比方，我們看病，中醫與西醫的診療方法是不同，中醫是望、聞、問、切，最後判斷出的結果，很大程度上基於中醫的經驗，主觀定性程度大一些；西醫就不同了，先要病人去拍片子、化驗等，這些都要依託於醫學儀器，最後得出結論，對症下葯。中醫對醫生的經驗要求非常高，他們的主觀判斷往往決定了治療效果，而西醫則要從容得多，按事先規定好的程序走就行了。量化投資就是股票投資中的西醫，它可以比較有效地矯正理智與情緒的不兼容現象。
量化投資的一般思路：選定某些技術指標（我們稱之為參數，往往幾個組成一組），並將每一個參數的數據范圍進行分割，成幾等份。然後，用計算機編程寫出一段能對這些參數組對股票價格造成的影響進行數據統計的程序，連接至大型資料庫進行統計計算，自動選擇能夠達到較高收益水平的參數組合。但是選出這些參數組後還不能馬上應用，因為這里涉及到一個概率陷阱的問題，比如說，有1到100這一百個數字放在那裡，現在讓你選擇，請問你選到100的可能性是多大？是的，就是1/100，如果較幸運你選到了100並不能說明你比別人聰明，而是概率的必然。所以，在進行統計時要特別關注統計的頻率與選出的結果組數量之間的關系。在選出符合要求的參數組後我們還應留出至少三年的原始市場數據進行驗證，只有驗證合格後才能試用。
量化投資原始數據策略：我們選用96年後的市場數據，因為96年股市有過一次交易政策改革（你可以自己查詢了解一下），為了不影響研究結果我們不採納96年以前的數據進資料庫。
量化投資研究的硬設備：高計算性能電腦，家用電腦也可以，不過運算時間會很長，我曾經用家用電腦計算了三個月時間才得到想要的數據。
統計方法：可以選用遺傳演算法，但我在這里陪大家做的是比較簡單的模型，所以採用普通統計方法就可以了。
用於量化研究的軟體：我採用的是免費的大型資料庫MYSQL，ASP網路編程語言，以及可以設置成網路伺服器的旗艦版WIN7操作系統。
7. ARIMA能預測股票嗎
不能，股票的價格是眾多大小投資者共同作用的結果。
8. 關於ARIMA模型問題！！！
ARIMA模型又稱自回歸求和移動平均模型,當時間序列本身不是平穩的時候,如果它的...有趨勢的時間序列預測、具季節性周期的時間序列預測以及差分自回歸滑動平均.(auto regression moving average)模型，它是目前最常用的擬合平穩序列的模型，它又可細分為AR模型(auto regression model)、MA模型(moving average model)和ARMA模型(auto regression moving average model)三大類。
時間序列分析是根據系統觀測得到的時間序列數據，通過曲線擬合和參數估計來建立數學模型的理論和方法。它一般採用曲線擬合和參數估計方法（如非線性最小二乘法）進行。時間序列分析常用在國民經濟宏觀控制、區域綜合發展規劃、企業經營管理、市場潛量預測、氣象預報、水文預報、地震前兆預報、農作物病蟲災害預報、環境污染控制、生態平衡、天文學和海洋學等方面。