如果你指的是momentum，即動量交易的話，這個是一個搞金融學asset pricing常用的方法，你可以去找這方面的文獻，有告訴你怎麼編程思路的。我們有這樣的程序，但是除非是研究合作，不可能共享出來的。
B. 怎麼從arma的結果圖看各個變數的系數
利用以上得出的模型.ARMA模型的檢驗。最終選取ARIMA(1。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,模型擬合基本符合。
5.股價預測,首先直接對數據平穩檢驗,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,即可認為殘差中沒有包含太多信息。在後期,再觀察其平穩性,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。
由於時間序列模型往往需要大樣本。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。
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,1,所以這里我選取長江證券從09/03。選取ARIMA(1,且Q值基本通過檢驗,1)模型,定階和做參數估計後,還應對其殘差序列進行檢驗;20到09,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;06/19日開盤價,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,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。可以先生成原始數據的一階差分數據dls,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,沒通過檢驗,前後約三個月,共計60個樣本,基本滿足ARMA建模要求。
經過多次比較最終發現ARMA(1,1)過程的AIC和SC都是最小的,q)。經多輪比較不同ARMA(p,q)模型,並定階。
2,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.數據平穩性分析。
(1)先觀測一階差分數據dls的AC和PAC圖。
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,殘差不明顯存在相關,1。
可以看出差分後,被廣泛應用到經濟領域預測中,MA或者是ARMA模型,可以得出相對應AIC 和 SC的值,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,並觀測其相關系數AC和偏自相關系數PAC,以確定其是為AR,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,其他日期的誤差皆在接受范圍內。
綜上所述。ARMA模型是一種最常見的重要時間序列模型
C. 怎麼用eviews做一個時間序列的arma模型分析
數據的錄入與保存：
創建Workfile：點擊File/New/Workfile，輸入起止日期。
建立object輸入數據：點擊object/new
object，定義數據文件名ex4_2並輸入數據。
將Workfile保存：點擊File/save，而store只存儲對象object。
模型定階：點擊Quick/Estimate
equation輸入類似Y
AR(1)
AR(2)
AR(3)形式的各種不同模型，利用AIC准則或F檢驗選擇最合適的模
型。
先擬合AR(3)模型：得知，參數不顯著，且AIC=2.8352，SC＝2.9169，SSE=86.95。
再擬合AR(2)模型：AIC＝2.8329，SC=2.8870，SSE＝89.64
再擬合AR(1)模型：SSE＝91.32，AIC=2.8194，SC＝2.8463。
F檢驗：F=2.77<3.92，說明AR(3)與AR(2)模型沒有顯著性差異，故可判定適應模型為AR(2)
。
模型預測：用AR(2)模型作預測
D. 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。
E. 已知ARMA模型的表達式，如何預測後面三個數據
ARIMA模型預測的基本程序
（一）根據時間序列的散點圖、自相關函數和偏自相關函數圖以ADF單位根檢驗其方差、趨勢及其季節性變化規律，對序列的平穩性進行識別。一般來講，經濟運行的時間序列都不是平穩序列。
（二）對非平穩序列進行平穩化處理。如果數據序列是非平穩的，並存在一定的增長或下降趨勢，則需要對數據進行差分處理，如果數據存在異方差，則需對數據進行技術處理，直到處理後的數據的自相關函數值和偏相關函數值無顯著地異於零。
（三）根據時間序列模型的識別規則，建立相應的模型。若平穩序列的偏相關函數是截尾的，而自相關函數是拖尾的，可斷定序列適合AR模型；若平穩序列的偏相關函數是拖尾的，而自相關函數是截尾的，則可斷定序列適合MA模型；若平穩序列的偏相關函數和自相關函數均是拖尾的，則序列適合ARMA模型。
（四）進行參數估計，檢驗是否具有統計意義。
（五）進行假設檢驗，診斷殘差序列是否為白雜訊。
（六）利用已通過檢驗的模型進行預測分析。
F. 畢設用hilbert huang和ARMA模型結合對股票價格預測，請問要怎麼做
學弟，作為剛剛畢業的過來人，學長提示你，這種事情多去圖書館查記得深，你這樣不僅效果慢，而且記得不牢，答辯是會遇到問題的
G. 如何分析ARMA模型的自相關系數和偏相關系數
P和Q值根據AIC、SIC以及參數顯著性綜合確定啊
自相關拖尾，偏相關截尾
H. spss裡面做ARMA分析後得到的新變數是啥意思，貼圖如下：
看不清楚，估計是你點了保存裡面的殘差之類的
統計專業研究生工作室為您服務