⑴ 對股票收盤價進行時間序列分析，預測其下一個交易日的收盤價,並與實際收盤價格進行對比
股票投資的分析這么復雜啊，先問問老師有依據這個買股票沒，再回答。
⑵ 時間序列里 y0 是什嘛意思 例如 Y=（y0,y1,y2)
y0就是初始狀態值，如果該時間序列模擬的是股票價格，那麼y0就是初期股票價格
相應的y1、y2分別為1期、2期股票價格
⑶ 時間序列在股市有哪些應用
時間序列分析在股票市場中的應用
摘要
在現代金融浪潮的推動下,越來越多的人加入到股市,進行投資行為,以期得到豐厚的回報,這極大促進了股票市場的繁榮。而在這種投資行為的背後,越來越多的投資者逐漸意識到股市預測的重要性。
所謂股票預測是指:根據股票現在行情的發展情況地對未來股市發展方向以及漲跌程度的預測行為。這種預測行為只是基於假定的因素為既定的前提條件為基礎的。但是在股票市場中,行情的變化與國家的宏觀經濟發展、法律法規的制定、公司的運營、股民的信心等等都有關聯,因此所謂的預測難於准確預計。
時間序列分析是經濟預測領域研究的重要工具之一,它描述歷史數據隨時間變化的規律,並用於預測經濟數據。在股票市場上,時間序列預測法常用於對股票價格趨勢進行預測,為投資者和股票市場管理管理方提供決策依據。
⑷ 股市時間周期理論
股票沒有周期性，因為股票系統還是比較完善的系統，博弈系統就是0和1，如果有周期性那麼很容易算出來它的周期點，而環球經濟系統基本就不是一直的，可以說是市場獨立而又相通，比如歐盟，在英國離歐之前走勢幾乎前三國沒多大區別（英，法，德），但是英國離歐之後趨勢就不一樣了，當然在晚上美國開盤前後可以看出，歐洲收市之前和美洲開盤之後的走勢圖幾乎一樣，但是不會完全一樣，全球性的區別也可以通過查看20160104至20160131之間的全球K線你會發現，20180129至20180206之間的全球各國K線發現。金融會有蔓延性，重復性，還有特徵性。希望回答對你有幫助，如果要專業，希望網路貼吧見，也希望此微博對你有幫助網頁鏈接
⑸ 怎麼用excel對股票收盤價進行時間序列分析
最好附上內容
⑹ 如何用R 語言 建立 股票價格的時間序列
在下想用R語言對股票價格進行時間序列分析。
問題出在第一步，如何將股票價格轉換為時間序列。
我想用的語句是 pri <- ts (data, start=(), frequency= )
但是我不知道frequency 項該如何填？
因為股票的交易日是一周五天的。 那麼這個frequency 該如何設置呢？
我知道通常frequency= 12 為月度數據，frequency= 4 為季度數據，frequency= 1 為年度數據 但日數據怎麼寫我就不知道了
初學R語言，還望各位大俠多多幫助。
⑺ 時間序列在股市行情預測中的應用論文怎麼寫
作用沒有想像中的大，你可以用股票的滯後變數來進行回歸分析，滯後2~3期就夠了，不過數據必須具體點，最好細分到每季度、每月的上證指數，還有時間上怎麼也要十年左右吧！
我以前在論文附錄中做過分析，數據都是自己按季度整理的，挺麻煩的呢，如果需要的話就發給你~
還有就是，我覺得寫關於股票的預測方面的實際用處並不是很大，畢竟股票的影響因素太多，單單的憑藉以前的走勢而預期太不好了。。我自己也炒股票，就像那些macd、kdj之類的指標根本就起不到太大的作用，如果那個能預期的話，股市豈不就成了提款機了？現在你做的這個就像是那些指標一樣，要知道，股市是活的，人是活的，而指標確實死的！說這么多的意思就是股市不是能簡單預測的，你做的那個用處不大。。
如果你想做的話，建議換個題目，我當時的寫的是對弗里德曼的貨幣需求理論在中國市場的分析。你可以寫寫貨幣供應量對通貨膨脹的時滯性，分析下在我國市場的滯後期大概是多少~數據在國家統計局和中國人民銀行都可以找到的，樣本空間一定要足夠大，在對滯後變數分析時候主要考慮各自的T檢驗是否通過，一般從通過之後大概就是那個的滯後期！這個比較直接反而有些許用處~
要是能分析出國家的一般性政策對實體市場的影響就更好了，更有用了~
呵呵，以上只是自己的建議~有什麼其他的問題就給我留言吧~
⑻ 股票為什麼一天一個價，是什麼決定著股票的漲跌
股票運作的本質是供求關系。
股票價格的漲跌，長期來說是由上市公司為股東創造的利潤決定的，而短期是由供求關系決定的，而影響供求關系的因素則包括人們對該公司的盈利預期、大戶的人為炒作、市場資金的多少、政策性因素等。價值投資取決於投資者認為一隻股票是被低估或高估，或者整個市場是被低估或高估。最簡單的方法就是將一家公司的P/E比率、分紅和收益率指標與同行業競爭者以及整個市場的平均水平進行比較。如果買的人大於賣的人,也就是在供不應求的情況下,股票上漲，反之下跌股票漲跌。
原理：股票流通股是一定的，如果主力大量收集籌碼，可參與買賣的籌碼減少，那麼物以稀為貴，買不到股票，只能抬高股價買。主力建倉完畢就會洗盤，擠出一些意志不堅定者。到合適機會邊拉升邊出貨，如果主力出貨完畢往往還能縮量上漲一段空間。這時候風險極大，獲利機會也極大。主力出貨完畢，散戶的熱情也告一段落，那麼股價就會自然降下來或者被主力砸下來。再走一波下跌建倉影響股票漲跌的因素有很多，大致分為兩種，宏觀因素和微觀因素。宏觀的主要包括國家政策、戰爭霍亂、宏觀經濟等；微觀的主要是市場因素，公司內部、行業結構、投資者的心理等。
(8)股票價格時間序列擴展閱讀：
大致分為兩種，宏觀因素和微觀因素。
宏觀的主要包括國家政策、宏觀經濟等;微觀的主要是市場因素，公司內部、行業結構、投資者的心理等。
影響股票漲跌的因素有很多，例如：政策的利空利多、大盤環境的好壞、主力資金的進出、個股基本面的重大變化、個股的歷史走勢的漲跌情況、個股所屬板塊整體的漲跌情況等，都是一般原因（間接原因），都要通過價值和供求關系這兩個根本的法則來起作用。
⑼ 什麼時候用回歸分析，什麼時候用時間序列
兩者的核心區別在於對數據的假設回歸分析假設每個數據點都是獨立的，而時間序列則是利用數據之間的相關性進行預測。
本文會先說明兩者對數據的具體假設差異，再說明AR模型為什麼雖然看上去像回歸分析但還是有差別，最後也提到一個常見的混淆兩者後在金融方向可能出現的問題。
回歸分析對數據的假設：獨立性在回歸分析中，我們假設數據是相互獨立的。這種獨立性體現在兩個方面：一方面，自變數(X)是固定的，已被觀測到的值，另一方面，每個因變數(y)的誤差項是獨立同分布，對於線性回歸模型來說，誤差項是獨立同分布的正態分布，並且滿足均值為0，方差恆定。
這種數據的獨立性的具體表現就是：在回歸分析中，數據順序可以任意交換。在建模的時候，你可以隨機選取數據循序進行模型訓練，也可以隨機選取一部分數據進行訓練集和驗證集的拆分。也正因為如此，在驗證集中，每個預測值的誤差都是相對恆定的：不會存在誤差的積累，導致預測准確度越來越低。
時間序列對數據的假設：相關性但對於時間序列分析而言，我們必須假設而且利用數據的相關性。核心的原因是我們沒有其他任何的外部數據，只能利用現有的數據走向來預測未來。因此，我們需要假設每個數據點之間有相關性，並且通過建模找到對應的相關性，利用它去預測未來的數據走向。這也是為什麼經典的時間序列分析(ARIMA)會用ACF（自相關系數）和PACF（偏自相關系數）來觀察數據之間的相關性。
ACF和PACF分別用兩種方式衡量數據點與數據點之間的相關性時間序列對相關性的假設直接違背了回歸分析的獨立性假設。在多段時間序列預測中，一方面，對於未來預測的自變數可能無法真實的觀察到，另一方面，隨著預測越來越遠，誤差會逐漸積累：你對於長遠未來的預測應該會比近期預測更不確定。因此，時間序列分析需要採用一種完全不同的視角，用不同的模型去進行分析研究。
AR模型和線性回歸模型的「相似」和區別時間序列分析中一個基礎模型就是AR(Auto-Regressive)模型。它利用過去的數據點來預測未來。舉例而言，AR(1)模型利用當前時刻的數據點預測未來的值，它們的數學關系可以被表示為：
它的表達形式的確和線性回歸模型非常類似，甚至連一般的AR(n)模型都和線性回歸有很高的相似性。唯一的差別就是等式右邊的自變數(X)變成了過去的因變數(y)
而正是因為這一點微小的差異，導致兩者的解完全不同。在AR模型中，由於模型自變數成為了過去的因變數，使得自變數與過去的誤差之間有相關性。而這種相關性使得
利用線性模型得到的AR模型的解會是有偏估計(biased)。對於上述結論的實際證明需要引入過多的概念。在此我們只對AR(1)模型作為一個特例來分析。不失一般性，我們可以通過平移數據將AR(1)模型表示成如下的形式：
對於這類模型，線性回歸會給出以下的估計值：對於一般的線性回歸模型而言，由於所有的自變數都會被視為已經觀測到的真實值。所以當我們取均值的時候，我們可以把分母當作已知，通過過去觀測值和未來誤差無關的性質得到無偏的結論。
利用回歸模型預測AR模型的數據模擬結果：參數估計會是有偏估計事實上，我們會用線性回歸模型去近似求解AR模型。因為雖然結果會是有偏的，但是卻是一致估計。也就是說，當數據量足夠大的時候，求解的值會收斂於真實值。這里就不再做展開了。
忽視獨立性的後果：金融方向的常見錯誤希望看到這里你已經弄懂了為什麼不能混淆模型的假設：尤其是獨立性或相關性的假設。接下來我會說一個我見過的
因為混淆假設導致的金融方向的錯誤隨著機器學習的發展，很多人希望能夠將機器學習和金融市場結合起來。利用數據建模來對股票價格進行預測。他們會用傳統的機器學習方法將得到的數據隨機的分配成訓練集和測試集。利用訓練集訓練模型去預測股票漲跌的概率（漲或跌的二維分類問題）。然後當他們去將模型應用到測試集時，他們發現模型的表現非常優秀——能夠達到80～90%的准確度。但是在實際應用中卻沒有這么好的表現。
造成這個錯誤的原因就是他們沒有認識到數據是高度相關的。對於時間序列，我們不能通過隨機分配去安排訓練集和測試集，否則就會出現「利用未來數據」來預測「過去走向」的問題。這個時候，即使你的模型在你的測試集表現出色，也不代表他真的能預測未來股價的走向。
總結時間序列和回歸分析的主要區別在於對數據的假設：回歸分析假設每個數據點都是獨立的，而時間序列則是利用數據之間的相關性進行預測。雖然線性回歸和AR模型看上去有很大的相似性。但由於缺失了獨立性，利用線性回歸求解的AR模型參數會是有偏的。但又由於這個解是一致的，所以在實際運用中還是利用線性回歸來近似AR模型。忽視或假設數據的獨立性很可能會造成模型的失效。金融市場的預測的建模尤其需要注意這一點。
⑽ 股票日成交金額時間序列變數有哪些
量比算一個
量比指標，依據的是即時每分鍾平均成交量與之前連續5天每分鍾平均成交量的比較，而不是隨意抽取某一天的成交量作為比較，所以能夠客觀真實地反映盤口成交異動及其力度。
從操盤的角度看，量比指標直接反映在區中，其方便快捷勝過翻閱其他的技術指標曲線圖。