1. 判定數據序列平穩與否的方法都有哪些
1、 時間序列 取自某一個隨機過程，如果此隨機過程的隨機特徵不隨時間變化，則我們稱過程是平穩的；假如該隨機過程的隨機特徵隨時間變化，則稱過程是非平穩的。
2、 寬平穩時間序列的定義：設時間序列 ，對於任意的 , 和 ，滿足： 則稱 寬平穩。
3、Box-Jenkins方法是一種理論較為完善的統計預測方法。他們的工作為實際工作者提供了對時間序列進行分析、預測，以及對ARMA模型識別、估計和診斷的系統方法。使ARMA模型的建立有了一套完整、正規、結構化的建模方法，並且具有統計上的完善性和牢固的理論基礎。
4、ARMA模型三種基本形式：自回歸模型（AR：Auto-regressive），移動平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。
（1） 自回歸模型AR(p)：如果時間序列 滿足
其中 是獨立同分布的隨機變數序列，且滿足：
，
則稱時間序列 服從p階自回歸模型。或者記為 。
平穩條件：滯後運算元多項式 的根均在單位圓外，即 的根大於1。
（2） 移動平均模型MA(q)：如果時間序列 滿足
則稱時間序列 服從q階移動平均模型。或者記為 。
平穩條件：任何條件下都平穩。
（3） ARMA(p,q)模型：如果時間序列 滿足
則稱時間序列 服從(p,q)階自回歸移動平均模型。或者記為 。
特殊情況：q=0,模型即為AR(p)，p=0, 模型即為MA(q)。
2、模型參數的估計
①初估計
i、 AR(p)模型參數的Yule-Walker估計
特例：對於一階自回歸模型AR(1)， ，對於二階自回歸模型AR(2)， ， 。
ii、MA(q)模型參數估計
特例：對於一階移動平均模型MA(1), ，對於二階移動平均模型MA(2)， ， 。
iii、ARMA(p,q)模型的參數估計
模型很復雜，一般利用統計分析軟體包完成。
②精估計
ARMA(p,q)模型參數的精估計，一般採用極大似然估計，由於模型結構的復雜性，無法直接給出參數的極大似然估計，只能通過迭代方法來完成，這時，迭代初值常常利用初估計得到的值。
3、ARMA(p,q)序列預報
設平穩時間序列 是一個ARMA(p,q)過程，則其最小二乘預測： 。
i、AR(p)模型預測
，
ii、ARMA(p,q)模型預測
，其中 。
iii、預測誤差
預測誤差為： 。l步線性最小方差預測的方差和預測步長l有關，而與預測的時間原點t無關。預測步長l越大，預測誤差的方差也越大，因而預測的准確度就會降低。所以一般不能用ARMA(p,q)作為長期預測模型。
iv、預測的置信區間
預測的95%置信區間：
不知道對你有沒幫助
2. 度量股票市場的波動性有哪些常見方法
1.首先你要知道股票的數據是時間序列數據。
經研究表明，股票數據是有自相關性的，所以古典的回歸模型擬合常常是無效的。
2.另外股票數據序列是具有平穩性，或一階差分、高階差分平穩性
所以一般來說都會採用平穩性時間序列模型。
簡單的如AR(p), MA(q), ARMA(p,q)模型等。
3.但由於這些數據往往還有條件異方差性。進一步的模型修正
有ARCH(p) , GARCH(p,q)等模型。
3中的模型是現今一些研究股票波動的主流手段的基礎。
4.如果要研究多支股票波動的聯合分布，可以用Copula理論進行建模(這個一般用於VaR,ES風險度量，比較前沿，國內90年代才開始引進，但並不算太難)
5.另外還有一些非實證的手段，那是搞數學的弄的了
3. 面板數據怎麼進行平穩性檢驗
數據量少的話一般無須做平穩性檢驗。 但同時還得考慮用這些數據做什麼，如果 是時間序列預測，則必須做該檢驗
4. 怎麼使用EViews進行平穩性檢驗
具體步驟如下：
1、創建Workfile：點擊File/New/Workfile，輸入起止日期
5. 股票價格評估的方法有哪些各有什麼優缺點
價格怎麼個評估？你說的是估值吧，那是各個證券行業給出的所謂的價值，人雲亦雲。沒的准確數值的，炒股千萬別信PE，會死的很慘的。典型代表，中國石油
6. 如何用stata進行平穩性檢驗
help dfuller
7. 檢驗時間序列平穩性的方法有哪兩種
1、 時間序列 取自某一個隨機過程，如果此隨機過程的隨機特徵不隨時間變化，則我們稱過程是平穩的；假如該隨機過程的隨機特徵隨時間變化，則稱過程是非平穩的。 2、 寬平穩時間序列的定義：設時間序列 ，對於任意的 , 和 ，滿足： 則稱 寬平穩。 3、Box-Jenkins方法是一種理論較為完善的統計預測方法。他們的工作為實際工作者提供了對時間序列進行分析、預測，以及對ARMA模型識別、估計和診斷的系統方法。使ARMA模型的建立有了一套完整、正規、結構化的建模方法，並且具有統計上的完善性和牢固的理論基礎。 4、ARMA模型三種基本形式：自回歸模型（AR：Auto-regressive），移動平均模型（MA：Moving-Average）和混合模型（ARMA：Auto-regressive Moving-Average）。 （1） 自回歸模型AR(p)：如果時間序列 滿足 其中 是獨立同分布的隨機變數序列，且滿足： ， 則稱時間序列 服從p階自回歸模型。或者記為 。 平穩條件：滯後運算元多項式 的根均在單位圓外，即 的根大於1。 （2） 移動平均模型MA(q)：如果時間序列 滿足 則稱時間序列 服從q階移動平均模型。或者記為 。 平穩條件：任何條件下都平穩。 （3） ARMA(p,q)模型：如果時間序列 滿足 則稱時間序列 服從(p,q)階自回歸移動平均模型。或者記為 。 特殊情況：q=0,模型即為AR(p)，p=0, 模型即為MA(q)。 二、時間序列的自相關分析 1、自相關分析法是進行時間序列分析的有效方法，它簡單易行、較為直觀，根據繪制的自相關分析圖和偏自相關分析圖，我們可以初步地識別平穩序列的模型類型和模型階數。利用自相關分析法可以測定時間序列的隨機性和平穩性，以及時間序列的季節性。 2、自相關函數的定義：滯後期為k的自協方差函數為： ，則 的自相關函數為： ，其中 。當序列平穩時，自相關函數可寫為： 。 3、 樣本自相關函數為： ，其中 ，它可以說明不同時期的數據之間的相關程度，其取值范圍在-1到1之間，值越接近於1，說明時間序列的自相關程度越高。 4、 樣本的偏自相關函數： 其中， 。 5、 時間序列的隨機性，是指時間序列各項之間沒有相關關系的特徵。使用自相關分析圖判斷時間序列的隨機性，一般給出如下准則： ①若時間序列的自相關函數基本上都落入置信區間，則該時間序列具有隨機性； ②若較多自相關函數落在置信區間之外，則認為該時間序列不具有隨機性。 6、 判斷時間序列是否平穩，是一項很重要的工作。運用自相關分析圖判定時間序列平穩性的准則是：①若時間序列的自相關函數 在k>3時都落入置信區間，且逐漸趨於零，則該時間序列具有平穩性；②若時間序列的自相關函數更多地落在置信區間外面，則該時間序列就不具有平穩性。 7、 ARMA模型的自相關分析 AR(p)模型的偏自相關函數 是以p步截尾的，自相關函數拖尾。MA(q)模型的自相關函數具有q步截尾性，偏自相關函數拖尾。這兩個性質可以分別用來識別自回歸模型和移動平均模型的階數。ARMA(p,q)模型的自相關函數和偏相關函數都是拖尾的。 三、單位根檢驗和協整檢驗 1、單位根檢驗 ①利用迪基—福勒檢驗（ Dickey-Fuller Test）和菲利普斯—佩榮檢驗（Philips-Perron Test）,我們也可以測定時間序列的隨機性，這是在計量經濟學中非常重要的兩種單位根檢驗方法，與前者不同的事，後一個檢驗方法主要應用於一階自回歸模型的殘差不是白雜訊，而且存在自相關的情況。 ②隨機游動 如果在一個隨機過程中， 的每一次變化均來自於一個均值為零的獨立同分布，即隨機過程 滿足： ， ，其中 獨立同分布，並且： ， 稱這個隨機過程是隨機游動。它是一個非平穩過程。 ③單位根過程 設隨機過程 滿足： ， ，其中 ， 為一個平穩過程並且 ，，。 2、協整關系 如果兩個或多個非平穩的時間序列，其某個現性組合後的序列呈平穩性，這樣的時間序列間就被稱為有協整關系存在。這是一個很重要的概念，我們利用Engle-Granger兩步協整檢驗法和J 很高興回答樓主的問題 如有錯誤請見諒
8. 時間序列數據一定要進行平穩性檢驗么急急急！！！！！
接受原假設，從算出來的檢驗統計量 -8.888888 都大於各臨界值，可以認為你的序列在這些顯著性水平下都是非平穩的。不能通過ADF檢驗。 這些你可以參考一下易丹輝的書，易丹輝數據分析與Eviews應用。
9. 在stata中怎樣檢驗數據的平穩性
用stata進行平穩性檢驗的方法：
1、點擊面板上的額ADF檢驗
2、在打開的對話框中輸入命令dfuller，就開始了平穩性檢驗
Stata 是一套提供其使用者數據分析、數據管理以及繪制專業圖表的完整及整合性統計軟體。它提供許許多多功能，包含線性混合模型、均衡重復反復及多項式普羅比模式。
Stata 的統計功能很強，除了傳統的統計分析方法外，還收集了近 20 年發展起來的新方法，如 Cox 比例風險回歸，指數與 Weibull 回歸，多類結果與有序結果的 logistic 回歸， Poisson 回歸，負二項回歸及廣義負二項回歸，隨機效應模型等。