㈠ 哪种时间序列分析法可以用了分析股票
斐波那契算吗
㈡ 时间序列在股市有哪些应用
时间序列分析在股票市场中的应用
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。
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。
㈢ 怎么看待用时间序列来预测某支股票走势
庄家分析方法：庄家炒股票也要获利。同样是买、卖的差价获利。与散户不同的是，他可以控制股票的走势和价格，也就是说散户获利是靠期待股价上涨，而庄家则是自己拉动股价上涨。 所以，庄家炒作包括四部分：建仓、拉高、整理、出货。所谓的“洗盘”，多为吃货。一般是吃、拉、出三部曲。
庄家建仓一般要选择股价较低时，而且希望越低越好，他恨不得砸两个板再买。所以，“拉高吃货”之类，以及股价已经创新高还说是吃货，等等，千万别信。吃货结束之后，一般会有一个急速的拉升过程。一旦一只股票开始大涨，它就脱离了安全区，随时都有出货的可能。所以我的中线推荐一律是在低位。 当庄家认为出货时机未到时，就需要在高位进行横盘整理，一般是打个差价，散户容易误认为出货。 庄家出货一般要做头部，头部的特点是成交量大，振幅大，除非赶上大盘做头，一般个股的头部时间都在1个月以上。
庄家分析方法是一种综合分析方法，不能单看图形，也要参考技术，还得注意股票的基本面和一些外围情况
㈣ 基于时间序列分析的股票价格短期预测，这个开题报告怎么弄，收费的就不用麻烦了
你好，希望我们可以帮你。相关资料在知网，万维网能查到资料。基于时间序列分析的股票价格短期预测开题报告是我们特长，我们的服务特色：支持支付宝交易，保证你的资金安全。3种服务方式，文章多重审核，保证文章质量。附送抄袭检测报告，让你用得放心。修改不限次数，再刁难的老师也能过。
㈤ （三）时间序列分析的基本方法
1.模型的选择和建模基本步骤
（1）建模基本步骤
1）用观测、调查、取样，取得时间序列动态数据。
2）作相关图，研究变化的趋势和周期，并能发现跳点和拐点。拐点则是指时间序列从上升趋势突然变为下降趋势的点，如果存在拐点，则在建模时必须用不同的模型去分段拟合该时间序列。
3）辨识合适的随机模型，进行曲线拟合。
（2）模型的选择
当利用过去观测值的加权平均来预测未来的观测值时，赋予离得越近的观测值以更多的权，而“老”观测值的权数按指数速度递减，称为指数平滑（exponential smoothing），它能用于纯粹时间序列的情况。
对于短的或简单的时间序列，可用趋势模型和季节模型加上误差来进行拟合。对于平稳时间序列，可用自回归（AR）模型、移动平均（MA）模型或其组合的自回归移动平均（ARMA）模型等来拟合。
一个纯粹的AR模型意味着变量的一个观测值由其以前的p个观测值的线性组合加上随机误差项而成，就像自己对自己回归一样，所以称为自回归模型。
MA模型意味着变量的一个观测值由目前的和先前的n个随机误差的线性的组合。
当观测值多于50个时一般采用ARMA模型。
对于非平稳时间序列，则要先将序列进行差分（Difference，即每一观测值减去其前一观测值或周期值）运算，化为平稳时间序列后再用适当模型去拟合。这种经差分法整合后的ARMA模型称为整合自回归移动平均模型（Autoregressive Integrated Moving Average），简称ARIMA模型（张文彤，2002；薛薇，2005；G.E.P.Box et al.，1994）。
ARIMA模型要求时间序列满足平稳性和可逆性的条件，即序列均值不随着时间增加或减少，序列的方差不随时间变化。但由于我们所关注的地层元素含量变化为有趋势和周期成分的时间序列，都不是平稳的，这就需要对其进行差分来消除这些使序列不平稳的成分。所以我们选择更强有力的ARIMA模型。
2.平稳性和周期性研究
有些数学模型要检验周期性变化是否为平稳性过程，即其统计特性不随时间而变化，我们可根据序列图、自相关函数图、偏自相关函数图和谱密度图等对序列的平稳性和周期性进行识别。当序列图上表现有明显分段特征时可采用分段计算法，若分段求得的每段频谱图基本一致或相似，则认为过程是平稳的，否则是非平稳的。
自相关函数ACF（Autocorrelations function）是描述序列当前观测值与序列前面的观测值之间简单和常规的相关系数；而偏自相关函数PACF（Partial autocorrelations function）是在控制序列其他的影响后，测度序列当前值与某一先前值之间的相关程度。
平稳过程的自相关系数和偏自相关系数只是时间间隔的函数，与时间起点无关，都会以某种方式衰减趋近于0。
当ACF维持许多期的正相关，且ACF的值通常是很缓慢地递减到0，则序列为非平稳型。
序列的自相关-偏自相关函数具有对称性，即反映了周期性变化特征。
3.谱分析
确定性周期函数X（t）（设周期为T）在一定条件下通过傅里叶（Fourier）级数展开可表示成一些不同频率的正弦和余弦函数之和（陈磊等，2001），这里假设为有限项，即：
洞庭湖区第四纪环境地球化学
其中，频率fk=k/T，k=1，2，…，N。
上式表明：如果抛开相位的差别，这类函数的周期变化完全取决于各余弦函数分量的频率和振幅。换句话说，我们可以用下面的函数来表示X（t）的波动特征：
洞庭湖区第四纪环境地球化学
函数p（f）和函数X（t）表达了同样的周期波动，两者实际上是等价的，只不过是从频域和时域两个不同角度来描述而已。称p（f）为X（t）的功率谱密度函数，简称谱密度。它不仅反映了X（t）中各固有分量的周期情况，还同时显示出这些周期分量在整体X（t）中各自的重要性。具体说，在X（t）中各周期分量的对应频率处，谱密度函数图应出现较明显的凸起，分量的振幅越大，峰值越高，对X（t）的整体影响也越大。
事实上，无论问题本身是否具有周期性或不确定性（如连续型随机过程或时间序列）都可以采用类似的方法在频域上加以描述，只是表示的形式和意义比上面要复杂得多。时间序列的谱分析方法就是要通过估计时间序列的谱密度函数，找出序列中的各主要周期分量，通过对各分量的分析达到对时间序列主要周期波动特征的把握。
根据谱分析理论，对一个平稳时间序列｛Xt｝，如果其自协方差函数R（k）满足
如何从实际问题所给定的时间序列 ｛Xt，t=1，2，…，n｝ 中估计出其谱密度或标准谱密度函数是谱分析要解决的主要问题。本书采用图基-汉宁（Tukey-Hanning）窗谱估计法。
㈥ 应用计量经济学时间序列分析在股票预测上有多大的作用
作用没有想象中的大，你可以用股票的滞后变量来进行回归分析，滞后2~3期就够了，不过数据必须具体点，最好细分到每季度、每月的上证指数，还有时间上怎么也要十年左右吧！
我以前在论文附录中做过分析，数据都是自己按季度整理的，挺麻烦的呢，如果需要的话就发给你~
还有就是，我觉得写关于股票的预测方面的实际用处并不是很大，毕竟股票的影响因素太多，单单的凭借以前的走势而预期太不好了。。我自己也炒股票，就像那些macd、kdj之类的指标根本就起不到太大的作用，如果那个能预期的话，股市岂不就成了提款机了？现在你做的这个就像是那些指标一样，要知道，股市是活的，人是活的，而指标确实死的！说这么多的意思就是股市不是能简单预测的，你做的那个用处不大。。
如果你想做的话，建议换个题目，我当时的写的是对弗里德曼的货币需求理论在中国市场的分析。你可以写写货币供应量对通货膨胀的时滞性，分析下在我国市场的滞后期大概是多少~数据在国家统计局和中国人民银行都可以找到的，样本空间一定要足够大，在对滞后变量分析时候主要考虑各自的T检验是否通过，一般从通过之后大概就是那个的滞后期！这个比较直接反而有些许用处~
要是能分析出国家的一般性政策对实体市场的影响就更好了，更有用了~
呵呵，以上只是自己的建议~有什么其他的问题就给我留言吧~
㈦ 怎样用时间序列预测股票走势
庄家分析方法：庄家炒股票也要获利。同样是买、卖的差价获利。与散户不同的是，他可以控制股票的走势和价格，也就是说散户获利是靠期待股价上涨，而庄家则是自己拉动股价上涨。 所以，庄家炒作包括四部分：建仓、拉高、整理、出货。所谓的“洗盘”，多为吃货。一般是吃、拉、出三部曲。
庄家建仓一般要选择股价较低时，而且希望越低越好，他恨不得砸两个板再买。所以，“拉高吃货”之类，以及股价已经创新高还说是吃货，等等，千万别信。吃货结束之后，一般会有一个急速的拉升过程。一旦一只股票开始大涨，它就脱离了安全区，随时都有出货的可能。所以我的中线推荐一律是在低位。 当庄家认为出货时机未到时，就需要在高位进行横盘整理，一般是打个差价，散户容易误认为出货。 庄家出货一般要做头部，头部的特点是成交量大，振幅大，除非赶上大盘做头，一般个股的头部时间都在1个月以上。
庄家分析方法是一种综合分析方法，不能单看图形，也要参考技术，还得注意股票的基本面和一些外围情况。
㈧ 基于时间序列分析的股票价格优势趋势预测的sas的程序
如果你指的是momentum，即动量交易的话，这个是一个搞金融学asset pricing常用的方法，你可以去找这方面的文献，有告诉你怎么编程思路的。我们有这样的程序，但是除非是研究合作，不可能共享出来的。