股票价格能建立arima模型吗

1. 关于ARIMA模型问题！！！

ARIMA模型又称自回归求和移动平均模型,当时间序列本身不是平稳的时候,如果它的...有趋势的时间序列预测、具季节性周期的时间序列预测以及差分自回归滑动平均.(auto regression moving average)模型，它是目前最常用的拟合平稳序列的模型，它又可细分为AR模型(auto regression model)、MA模型(moving average model)和ARMA模型(auto regression moving average model)三大类。
时间序列分析是根据系统观测得到的时间序列数据，通过曲线拟合和参数估计来建立数学模型的理论和方法。它一般采用曲线拟合和参数估计方法（如非线性最小二乘法）进行。时间序列分析常用在国民经济宏观控制、区域综合发展规划、企业经营管理、市场潜量预测、气象预报、水文预报、地震前兆预报、农作物病虫灾害预报、环境污染控制、生态平衡、天文学和海洋学等方面。

2. ARIMA能预测股票吗

不能，股票的价格是众多大小投资者共同作用的结果。

3. 如何建立一个股票量化交易模型并仿真

研究量化投资模型的目的是找出那些具体盈利确定性的时空价格形态，其最重要手段的概率取胜，最重要的技术是概率统计，最主要的研究方向是市场行为心理。那么我们在选择用于研究的参数时，也应该用我们的经验来确定是否把某技术参数放进去，因为一般来说定性投资比较好用的参数指标对量化投资同样适用。
量化投资区别于传统定性投资的主要特征在于模型。我打个比方，我们看病，中医与西医的诊疗方法是不同，中医是望、闻、问、切，最后判断出的结果，很大程度上基于中医的经验，主观定性程度大一些；西医就不同了，先要病人去拍片子、化验等，这些都要依托于医学仪器，最后得出结论，对症下药。中医对医生的经验要求非常高，他们的主观判断往往决定了治疗效果，而西医则要从容得多，按事先规定好的程序走就行了。量化投资就是股票投资中的西医，它可以比较有效地矫正理智与情绪的不兼容现象。
量化投资的一般思路：选定某些技术指标（我们称之为参数，往往几个组成一组），并将每一个参数的数据范围进行分割，成几等份。然后，用计算机编程写出一段能对这些参数组对股票价格造成的影响进行数据统计的程序，连接至大型数据库进行统计计算，自动选择能够达到较高收益水平的参数组合。但是选出这些参数组后还不能马上应用，因为这里涉及到一个概率陷阱的问题，比如说，有1到100这一百个数字放在那里，现在让你选择，请问你选到100的可能性是多大？是的，就是1/100，如果较幸运你选到了100并不能说明你比别人聪明，而是概率的必然。所以，在进行统计时要特别关注统计的频率与选出的结果组数量之间的关系。在选出符合要求的参数组后我们还应留出至少三年的原始市场数据进行验证，只有验证合格后才能试用。
量化投资原始数据策略：我们选用96年后的市场数据，因为96年股市有过一次交易政策改革（你可以自己查询了解一下），为了不影响研究结果我们不采纳96年以前的数据进数据库。
量化投资研究的硬设备：高计算性能电脑，家用电脑也可以，不过运算时间会很长，我曾经用家用电脑计算了三个月时间才得到想要的数据。
统计方法：可以选用遗传算法，但我在这里陪大家做的是比较简单的模型，所以采用普通统计方法就可以了。
用于量化研究的软件：我采用的是免费的大型数据库MYSQL，ASP网络编程语言，以及可以设置成网络服务器的旗舰版WIN7操作系统。

4. （四）ARIMA模型方法

1.ARIMA模型的基本思想

将预测对象随时间推移而形成的数据序列视为一个随机序列，对其进行差分整合后用自回归加移动平均来拟合，并据其对时间序列的过去值及未来值进行预测的数学方法，即ARIMA模型的基本思想。

ARIMA模型一般表示为ARIMA（p，d，q），其数学表达式为

φ_p（B）（1-B）^dy_t=θ_q（B）ε_t， （7-9）

式中：φ_p（B）=1-φ₁B-…-φ_pB^p，θ_q（B）=1-θ₁B-…-θ_qB_q；

AR是自回归，p为自回归项，MA为移动平均，q为移动平均项数，d为差分次数；y_t是时间序列，B是后移算子，φ₁，…，φ_p为自回归系数，θ₁，…，θ_q为移动回归系数，｛ε_t｝ 是白噪声序列。

2.ARIMA模型预测基本程序

（1）平稳性识别

以自相关函数和偏自相关函数图等来判定数列是否为平稳型。

（2）对非平稳序列进行平稳化处理

存在增长或下降趋势，需进行差分处理，直到处理后的数据的自相关函数值和偏相关函数值显著地等于零。

（3）根据时间序列模型的识别规则建立相应模型

据序列的自相关和偏相关函数图判定模型的类型及p与q的阶数。

在自相关和偏相关函数图上，函数在某一步之后为零，称为截尾；不能在某一步之后为零，而是按指数衰减或正负相间递减的形式，称为拖尾。

由自相关函数和偏相关函数是截尾还是拖尾及其期次可进行模型判别，标准见表7-8。

表7-8 模型参数的ACF-PACF图判别的标准

（4）假设检验，诊断残差序列是否为白噪声

用χ²检验检测所估计模型的白噪声残差，其残差应是一随机序列，否则进行残差分析，必要时需重新确定模型。

（5）预测分析

利用已通过检验的模型进行预测分析，得到x（t）在t+1期，即1期以后的预测值，记这个预测值为x（t+1），称它为未来第1期的预测值。

5. 如何用Arma模型做股票估计

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,被广泛应用到经济领域预测中。给出ARMA模型的模式和实现方法,然后结合具体股票数据揭示股票变换的规律性,并运用ARMA模型对股票价格进行预测。
选取长江证券股票具体数据进行实证分析
1.数据选取。
由于时间序列模型往往需要大样本,所以这里我选取长江证券从09/03/20到09/06/19日开盘价,前后约三个月,共计60个样本,基本满足ARMA建模要求。
数据来源:大智慧股票分析软件导出的数据(股价趋势图如下)
从上图可看出有一定的趋势走向,应为非平稳过程,对其取对数lnS,再观察其平稳性。
2.数据平稳性分析。
先用EVIEWS生成新序列lnS并用ADF检验其平稳性。
(1)ADF平稳性检验,首先直接对数据平稳检验,没通过检验,即不平稳。
可以看出lnS没有通过检验,也是一个非平稳过程,那么我们想到要对其进行差分。
(2)一阶差分后平稳性检验,ADF检验结果如下,通过1%的显著检验,即数据一阶差分后平稳。
可以看出差分后,明显看出ADF Test Statistic 为-5.978381绝对值是大于1%的显著水平下的临界值的,所以可以通过平稳性检验。
3.确定适用模型,并定阶。可以先生成原始数据的一阶差分数据dls,并观测其相关系数AC和偏自相关系数PAC,以确定其是为AR,MA或者是ARMA模型。
(1)先观测一阶差分数据dls的AC和PAC图。经检验可以看出AC和PAC皆没有明显的截尾性,尝试用ARMA模型,具体的滞后项p,q值还需用AIC和SC具体确定。
(2)尝试不同模型,根据AIC和SC最小化的原理确定模型ARMA(p,q)。经多轮比较不同ARMA(p,q)模型,可以得出相对应AIC 和 SC的值。
经过多次比较最终发现ARMA(1,1)过程的AIC和SC都是最小的。最终选取ARIMA(1,1,1)模型作为预测模型。并得出此模型的具体表达式为:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的检验。选取ARIMA(1,1,1)模型,定阶和做参数估计后,还应对其残差序列进行检验,对其残差的AC和Q统计检验发现其残差自相关基本在0附近,且Q值基本通过检验,残差不明显存在相关,即可认为残差中没有包含太多信息,模型拟合基本符合。
5.股价预测。利用以上得出的模型,然后对长江证券6月22日、23日、24日股价预测得出预测值并与实际值比较如下。
有一定的误差,但相比前期的涨跌趋势基本吻合,这里出现第一个误差超出预想的是因为6月22日正好是礼拜一,波动较大,这里正验证了有研究文章用GARCH方法得出的礼拜一波动大的结果。除了礼拜一的误差大点,其他日期的误差皆在接受范围内。
综上所述,ARMA模型较好的解决了非平稳时间序列的建模问题,可以在时间序列的预测方面有很好的表现。借助EViews软件,可以很方便地将ARMA模型应用于金融等时间序列问题的研究和预测方面,为决策者提供决策指导和帮助。当然,由于金融时间序列的复杂性,很好的模拟还需要更进一步的研究和探讨。在后期,将继续在这方面做出自己的摸索。

6. 国际黄金价格预测建模，我要写课堂论文，手头上收集了近40多天的国际黄金价格，用ARIMA模型可以描述么

我这里有30天，时时，60天，一年，5年和10年的历史数据
建议你要是分析的话就看最近的一次伯南特讲话和当天黄金走势。数据分析不一定要多，要看关键因素

7. ARIMA时间序列建模过程——原理及python实现

原文链接：http://tecdat.cn/?p=20742

时间序列被定义为一系列按时间顺序索引的数据点。时间顺序可以是每天，每月或每年。

以下是一个时间序列示例，该示例说明了从1949年到1960年每月航空公司的乘客数量。

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测

8. 一支简单的股票价格预测的数学模型!!!!

对于股票价格只能是在理论上，换句话说是在你自己的期望预期。
而对于股票价格预测一般是从他的基本面上来考虑。
你可以试试下面的方法：
杜邦财务分析法及案例分析
摘要：杜邦分析法是一种财务比率分解的方法，能有效反映影响企业获利能力的各指标间的相互联系，对企业的财务状况和经营成果做出合理的分析。
关键词：杜邦分析法；获利能力；财务状况
获利能力是企业的一项重要的财务指标，对所有者、债权人、投资者及政府来说，分析评价企业的获利能力对其决策都是至关重要的，获利能力分析也是财务管理人员所进行的企业财务分析的重要组成部分。
传统的评价企业获利能力的比率主要有：资产报酬率，边际利润率（或净利润率），所有者权益报酬率等；对股份制企业还有每股利润，市盈率，股利发放率，股利报酬率等。这些单个指标分别用来衡量影响和决定企业获利能力的不同因素，包括销售业绩，资产管理水平，成本控制水平等。
这些指标从某一特定的角度对企业的财务状况以及经营成果进行分析，它们都不足以全面地评价企业的总体财务状况以及经营成果。为了弥补这一不足，就必须有一种方法，它能够进行相互关联的分析，将有关的指标和报表结合起来，采用适当的标准进行综合性的分析评价，既全面体现企业整体财务状况，又指出指标与指标之间和指标与报表之间的内在联系，杜邦分析法就是其中的一种。
杜邦财务分析体系（TheDuPontSystem）是一种比较实用的财务比率分析体系。这种分析方法首先由美国杜邦公司的经理创造出来，故称之为杜邦财务分析体系。这种财务分析方法从评价企业绩效最具综合性和代表性的指标-权益净利率出发，层层分解至企业最基本生产要素的使用，成本与费用的构成和企业风险，从而满足通过财务分析进行绩效评价的需要，在经营目标发生异动时经营者能及时查明原因并加以修正，同时为投资者、债权人及政府评价企业提供依据。
一、杜邦分析法和杜邦分析图
杜邦模型最显著的特点是将若干个用以评价企业经营效率和财务状况的比率按其内在联系有机地结合起来，形成一个完整的指标体系，并最终通过权益收益率来综合反映。采用这一方法，可使财务比率分析的层次更清晰、条理更突出，为报表分析者全面仔细地了解企业的经营和盈利状况提供方便。
杜邦分析法有助于企业管理层更加清晰地看到权益资本收益率的决定因素，以及销售净利润率与总资产周转率、债务比率之间的相互关联关系，给管理层提供了一张明晰的考察公司资产管理效率和是否最大化股东投资回报的路线图。
杜邦分析法利用各个主要财务比率之间的内在联系，建立财务比率分析的综合模型，来综合地分析和评价企业财务状况和经营业绩的方法。采用杜邦分析图将有关分析指标按内在联系加以排列，从而直观地反映出企业的财务状况和经营成果的总体面貌。
杜邦财务分析体系如图所示：

二、对杜邦图的分析
1.图中各财务指标之间的关系：
可以看出杜邦分析法实际上从两个角度来分析财务，一是进行了内部管理因素分析，二是进行了资本结构和风险分析。
权益净利率＝资产净利率×权益乘数
权益乘数＝1÷（1－资产负债率）
资产净利率＝销售净利率×总资产周转率
销售净利率＝净利润÷销售收入
总资产周转率＝销售收入÷总资产
资产负债率＝负债总额÷总资产
2.杜邦分析图提供了下列主要的财务指标关系的信息：
（1）权益净利率是一个综合性最强的财务比率，是杜邦分析系统的核心。它反映所有者投入资本的获利能力，同时反映企业筹资、投资、资产运营等活动的效率，它的高低取决于总资产利润率和权益总资产率的水平。决定权益净利率高低的因素有三个方面--权益乘数、销售净利率和总资产周转率。权益乘数、销售净利率和总资产周转率三个比率分别反映了企业的负债比率、盈利能力比率和资产管理比率。
（2）权益乘数主要受资产负债率影响。负债比率越大，权益乘数越高，说明企业有较高的负债程度，给企业带来较多地杠杆利益，同时也给企业带来了较多地风险。资产净利率是一个综合性的指标，同时受到销售净利率和资产周转率的影响。
（3）资产净利率也是一个重要的财务比率，综合性也较强。它是销售净利率和总资产周转率的乘积，因此，要进一步从销售成果和资产营运两方面来分析。
销售净利率反映了企业利润总额与销售收入的关系，从这个意义上看提高销售净利率是提高企业盈利能力的关键所在。要想提高销售净利率：一是要扩大销售收入；二是降低成本费用。而降低各项成本费用开支是企业财务管理的一项重要内容。通过各项成本费用开支的列示，有利于企业进行成本费用的结构分析，加强成本控制，以便为寻求降低成本费用的途径提供依据。
企业资产的营运能力，既关系到企业的获利能力，又关系到企业的偿债能力。一般而言，流动资产直接体现企业的偿债能力和变现能力；非流动资产体现企业的经营规模和发展潜力。两者之间应有一个合理的结构比率，如果企业持有的现金超过业务需要，就可能影响企业的获利能力；如果企业占用过多的存货和应收账款，则既要影响获利能力，又要影响偿债能力。为此，就要进一步分析各项资产的占用数额和周转速度。对流动资产应重点分析存货是否有积压现象、货币资金是否闲置、应收账款中分析客户的付款能力和有无坏账的可能；对非流动资产应重点分析企业固定资产是否得到充分的利用。
三、利用杜邦分析法作实例分析
杜邦财务分析法可以解释指标变动的原因和变动趋势，以及为采取措施指明方向。下面以一家上市公司北汽福田汽车（600166）为例，说明杜邦分析法的运用。
福田汽车的基本财务数据如下表：

（一）对权益净利率的分析
权益净利率指标是衡量企业利用资产获取利润能力的指标。权益净利率充分考虑了筹资方式对企业获利能力的影响，因此它所反映的获利能力是企业经营能力、财务决策和筹资方式等多种因素综合作用的结果。
该公司的权益净利率在2001年至2002年间出现了一定程度的好转，分别从2001年的0.097增加至2002年的0.112.企业的投资者在很大程度上依据这个指标来判断是否投资或是否转让股份，考察经营者业绩和决定股利分配政策。这些指标对公司的管理者也至关重要。
公司经理们为改善财务决策而进行财务分析，他们可以将权益净利率分解为权益乘数和资产净利率，以找到问题产生的原因。
表三：权益净利率分析表

福田汽车权益净利率=权益乘数×资产净利率
2001年0.097=3.049×0.032
2002年0.112=2.874×0.039
通过分解可以明显地看出，该公司权益净利率的变动在于资本结构（权益乘数）变动和资产利用效果（资产净利率）变动两方面共同作用的结果。而该公司的资产净利率太低，显示出很差的资产利用效果。
（二）分解分析过程：
权益净利率＝资产净利率×权益乘数
2001年0.097＝0.032×3.049
2002年0.112＝0.039×2.874
经过分解表明，权益净利率的改变是由于资本结构的改变（权益乘数下降），同时资产利用和成本控制出现变动（资产净利率也有改变）。那么，我们继续对资产净利率进行分解：
资产净利率＝销售净利率×总资产周转率
2001年0.032＝0.025×1.34
2002年0.039＝0.017×2.29
通过分解可以看出2002年的总资产周转率有所提高，说明资产的利用得到了比较好的控制，显示出比前一年较好的效果，表明该公司利用其总资产产生销售收入的效率在增加。总资产周转率提高的同时销售净利率的减少阻碍了资产净利率的增加，我们接着对销售净利率进行分解：
销售净利率＝净利润÷销售收入
2001年0.025＝10284.04÷411224.01
2002年0.017＝12653.92÷757613.81
该公司2002年大幅度提高了销售收入，但是净利润的提高幅度却很小，分析其原因是成本费用增多，从表一可知：全部成本从2001年403967.43万元增加到2002年736747.24万元，与销售收入的增加幅度大致相当。下面是对全部成本进行的分解：
全部成本＝制造成本＋销售费用＋管理费用＋财务费用
2001年403967.43＝373534.53＋10203.05＋18667.77＋1562.08
2002年736747.24＝684559.91＋21740.962＋25718.20＋5026.17通过分解可以看出杜邦分析法有效的解释了指标变动的原因和趋势，为采取应对措施指明了方向。
在本例中，导致权益利润率小的主原因是全部成本过大。也正是因为全部成本的大幅度提高导致了净利润提高幅度不大，而销售收入大幅度增加，就引起了销售净利率的减少，显示出该公司销售盈利能力的降低。资产净利率的提高当归功于总资产周转率的提高，销售净利率的减少却起到了阻碍的作用。
由表4可知，福田汽车下降的权益乘数，说明他们的资本结构在2001至2002年发生了变动2002年的权益乘数较2001年有所减小。权益乘数越小，企业负债程度越低，偿还债务能力越强，财务风险程度越低。这个指标同时也反映了财务杠杆对利润水平的影响。财务杠杆具有正反两方面的作用。在收益较好的年度，它可以使股东获得的潜在报酬增加，但股东要承担因负债增加而引起的风险；在收益不好的年度，则可能使股东潜在的报酬下降。该公司的权益乘数一直处于2～5之间，也即负债率在50％～80％之间，属于激进战略型企业。管理者应该准确把握公司所处的环境，准确预测利润，合理控制负债带来的风险。
因此，对于福田汽车，当前最为重要的就是要努力减少各项成本，在控制成本上下力气。同时要保持自己高的总资产周转率。这样，可以使销售利润率得到提高，进而使资产净利率有大的提高。
四、结论
综上所述，杜邦分析法以权益净利率为主线，将企业在某一时期的销售成果以及资产营运状况全面联系在一起，层层分解，逐步深入，构成一个完整的分析体系。它能较好的帮助管理者发现企业财务和经营管理中存在的问题，能够为改善企业经营管理提供十分有价值的信息，因而得到普遍的认同并在实际工作中得到广泛的应用。
但是杜邦分析法毕竟是财务分析方法的一种，作为一种综合分析方法，并不排斥其他财务分析方法。相反与其他分析方法结合，不仅可以弥补自身的缺陷和不足，而且也弥补了其他方法的缺点，使得分析结果更完整、更科学。比如以杜邦分析为基础，结合专项分析，进行一些后续分析对有关问题作更深更细致分析了解；也可结合比较分析法和趋势分析法，将不同时期的杜邦分析结果进行对比趋势化，从而形成动态分析，找出财务变化的规律，为预测、决策提供依据；或者与一些企业财务风险分析方法结合，进行必要的风险分析，也为管理者提供依据，所以这种结合，实质也是杜邦分析自身发展的需要。分析者在应用时，应注意这一点。