




ARIMA模型对上证新综指预测效果分析
刘钊宏 赵肖林
(中央财经大学经济学院,北京 100081)
【摘要】2007年、2008年中国股市经历了前所未有的大起大落,上证指数创下了2007年10月16日的最高点6124点和2008年10月28日的最低点1665点,2009年上半年中国股市呈现单边上扬趋势,但8月份起股市进入了波动的宽幅震荡走势,其“变化莫测”。上证综指反映了上海证券交易市场的总体走势,对中国股市波动具有一定的代表性,本文选取了自2005年12月31日-2010年9月30日新综指为研究对象,利用ARIMA模型对新综指的收益率序列进行拟合,并对指数值进行预测效果进行模拟。
【关键词】上证新综指;ARIMA模型;预测
一、研究背景
“上海证券综合指数”是上海证券交易所编制的,以上海证券交易所挂牌上市的全部股票为计算范围,以发行量为权数综合。上证综指反映了上海证券交易市场的总体走势。上证所选择已完成股权分置改革的沪市上市公司组成样本,发布新上证综指,以反映这批股票的市场走势,为投资者提供新的投资尺标。新上证综指发布以2005年12月30日为基日,以当日所有样本股票的市价总值为基期,基点为1000点。新上证综指简称“新综指”,指数代码为000001。
新综指是我国证券市场由权威机构发布的反映股权分置改革实施后公司概况的指数,随着股权分置改革的全面推进,将不断有新的样本股加入新综指;在不远的将来,随着市场大部分上市公司完成股改,新综指将逐渐成为主导市场的核心指数。
股市波动具有随机性,新综指指数表现为频繁的波动性,本文选取了自2005年12月31日-2010年9月30日新综指为研究对象,利用ARIMA模型对新综指的收益率序列进行拟合,并对指数值进行预测效果进行模拟。
二、ARIMA模型介绍
ARIMA模型是在ARMA模型的基础上发展而来的,ARMA(p,q)模型包含一个自回归模型AR(p)与一个移动平均模型MA(q),适用于平稳时间序列模型的拟合与预测。但是某些时间序列是依赖时间的一族随机变量,构成该时序的单个序列值虽然具有不确定性,但整个序列的变化却可以用一个平稳随机过程来刻画,如序列的一阶差分为平稳序列,此时我们可以使用ARIMA(p,d,q)模型来近似描述这个平稳随机过程。经过d阶差分变换后的ARMA(p,q)模型称为ARIMA(p,d,q)模型。
设yt是d阶单整序列,即yt~I(d),ARIMA模型一般的表达式为:
(1)
其中,为平稳序列,即~I(0)。三、数据选取与处理1.样本的选取
本文以上海证券交易所新综指(000001)收盘价的历史数据作为观察对象进行分析,选用时间跨度为2005年12月30日至2010年9月30日作为样本区间,采样间隔为天,剔除节假日和个别不交易的数据,样本容量为1155。数据来源:锐思金融研究数据库。
2.数据平稳性检验
从新综指收盘价时间序列图中看出,2005年12月31日至2010年9月30日,新综指收盘价波动幅度较大。2005年至2007年年底,新综指总体呈现上升趋势,2008年快速下降,在2009年上半年有小幅上升,2009年下半年至今,波动比较频繁。
图1 新综指收盘价时间序列图

表1 新综指收盘价时间序列平稳性检验结果
ADF test statistic
-1.6064451% critical values level-3.435806Prob.5% critical values level-2.863837
0.478910% critical values level-2.568044PP Test Statistic
-1.6197731% critical values level-3.435806Prob.-2.863837
0.4721
5% critical values level10% critical values level
-2.568044
从表1的检验数据来看:新综指收盘价的时间序列没有通过ADF单位根检验和PP单位根检验。因此,该时间序列非平稳。
3.数据的处理
首先对新综指收盘价取对数,以克服数据的异方差性,然后利用一阶差分进行数据平稳化处理,得到新综指收盘价的收益率序列,共1154个数据,表达式如下:
(t=2,3,4,……n) (2)
其中,SHIt、SHIt 1分别为自2005年12月30日起第t个交易日与第t-1个交易日的新综指收盘价,RSHIt为第t个交易日新综指收益率。
图2 新综指收益率时间序列图
由图2可以看出:新综指收益率在零处上下频繁波动,无明显变动趋势。对收益率序列的平稳性进行ADF检验和PP检验见表2,结果表明收益率序列是平稳序列,可以确定ARIMA模型中d=1。
表2 新综指收益率平稳性检验结果
ADF test statistic
-33.801101% critical values level-3.435806Prob.-2.863837
0.0000 5% critical values level10% critical values level-2.568044PP Test Statistic
-33.800871% critical values level-3.435806Prob.5% critical values level-2.863837
0.0001
10% critical values level
-2.568044
四、模型估计
1.确定ARMA模型的阶数p,q
常用方法是通过计算能够描述序列特征的自相关系数与偏自相关系数,来确定ARMA模型的阶数p和q。
图3 上证股指收益率的自相关-偏自相关图
做新综指收益率滞后20期的自相关-偏自相关图,可以发现收益率的自相关与偏自相关都是拖尾的,所以应该对收益率序列建立ARMA模型,p合适的取值为4、6,q合适的取值也为4、6,ARIMA模型组合共有四组:ARIMA(4,1,4),ARINMA(4,1,6),ARIMA(6,1,4),ARIMA(6,1,6)。这四组模型在进行检验时,AR模型与MA模型均有几期滞后项在统计上是显著的,此时进行的筛选的原则就是,SIC与AC原则:选择SIC与AC值最小的一组模型。经过比较并筛选,最后的ARIMA模型为ARIMA(4,1,6)。文
ARIMA对我国上证指数的预... 33人阅读 2页 1.00 ARIMA模型在内蒙古GDP预... 10人阅读 2页 1.00 中国的通货膨胀预测:基... 16人阅读 5页 ...
ARIMA模型在上证综合指数中的应用_专业资料。为了预测股市走势,本文用时间序列的分析方法对上证日综合指数序列建立了ARIMA拟合模型,研究了股市的变化规律,并对股市...
基于ARIMA模型对上证指数的预测_专业资料。基于ARIMA模型对上证指数的预测...3 预测和分析 对于含有滞后因变量的预测 , EV iew s提供了两 [3] 种方法 ...
基于ARIMA模型的标准普尔S&P500指数预测分析_专业资料。金融预测对于发现金融发展客观趋势、指导金融投资具有重要的现实指导意义。研究了应用ARIMA模型预测标准普尔S&...
ARIMA对我国上证指数的预测研究_专业资料。采用自回归移动平均模型(ARIMA),选取...进行短期预测,结果显示,ARIMA(3,1,1)对上证指数有较好的预测效果,为投资者在...
证综指波动性的综合分析 李 龙 (兰州大 学数 学与 统计 学院 甘肃 兰州 730000) 【摘要】 文章主要 采用 GARC H模 型及 其衍生模型分析上证 指数的波动性...
基于ARIMA模型的消费者信心指数分析与预测_专业资料。文章运用时间序列分析模型ARIMA(p,d,q)模型对我国消费者信心指数的变化特征及发展趋势进行分析并对未来时间内...
线性神经网络模型在新上证综指的应用研究_专业资料。利用线性神经网络模型对“新...模拟的效果,对模型的初始数据进行优化,然后进行预测分析;结果显示,拟合效果很好,...
上证综指周波动预测模型的实证比较_专业资料。一、引言股票市场是由众多相互联系、相互制约的内、外因素构成,并以非线性方式作用于外界的复杂动力系统。其价格运动...
ARIMA模型在房屋销售价格指数预测中的应用及SAS实现_专业资料。基于1998年1季度到2008年4季度的房屋销售价格指数,建立了ARIMA(p,d,q)时间序列模型,并通过SAS加以...
热门文档