目录
基于arima模型对上证指数趋势的预测
1 背景
2国内外现状
3.ARIMA模型在股票指数上的应用研究
参考文献
基于arima模型对上证指数趋势的预测
1 背景
展望2017年,国内经济继续处于长周期的底部,经济仍有下行压力,但供给侧改革的深入推进有助于压缩下跌空间。去产能改善供需关系,工业部门走出通缩,企业盈利持续改善;去库存大幅降低房地产市场存销比,提升地产商补库存冲动;去杠杆推动货币政策趋于保守,抑制资产价格泡沫,缓解金融风险。
2017年我国跨境资本外流压力趋缓。从国际因素看,强美元是把双刃剑,美国积极财政政策力度可能低于预期而货币政策也难以快速收紧,美元指数有望阶段性回调。从国内外汇市场供求看,外债偿还压力下降而海外官方机构增持人民币资产需求上升有助于进一步改善外汇供求关系。
总而言之,2017年中国经济增速虽在下滑,但经济增长质量正在提高。国内经济积极因素增多,结构性改革提速、货币政策更加保守、需求水平回稳而企业盈利维持正增长态势。这种转变有助于改变国内资产荒的不利局面,推动资金回流实体经济,为中期经济回暖积蓄能量。
2国内外现状
研究股票价格和ARIAM 模型的相关论文很丰富，如：赵志峰（2003）用 ARIMA 模型，随机游走和干预分析模型对深圳成分指数进行分析，并实证的得出我国证券市场存在政策干预和庄家干预。万建强，文洲（2001）运用 ARIMA 与 ARCH 模型分析和预测香港股指，实证得出这两个模型没有孰优孰劣，不同时期预测效果不同。很多研究都利用ARIMA 模型对股票市场的个股或综合指数进行分析和预测，所以本文采取此模型对上证指数进行预测。
经济与商业中的时间序列，如通货膨胀率、股票价格指数、失业率、市场份额、汇率等因其具有的经济与现实意义，长期以来一直吸引了国内外的很多学者对其进行计量分析。近几十年来，人们对构建时间序列模型以及将其应用于预测的兴趣与日俱增。人们希望根据系统有限长度的运行纪录(观察数据)，建立比较精确地反映时间序列中所包含的动态依存关系的数学模型，并借以对系统的未来行为进行预测。“随机漫步模型”认为价格变动是由当期的随机因素决定的，大量的投资者之间不相关的交易行为，由此产生的影响就像大量液体分子对花粉微粒的无序碰撞，最终导致数据的波动类似于“布朗运动”，李晓先[1](2017）选取2005年1月4日至2016年12月16日的上证指数数据,运用ARIMA模型进行了预测。研究发现,在短期内ARIMA模型对上证指数的
