我國的金融市場在經(jīng)濟發(fā)展中起到蓄水池的作用,它不僅可以儲存資本,還能夠?qū)π铎`活快速地變?yōu)橥顿Y,促進了整個社會資本的合理分配。股票市場作為金融市場中重要、特殊的一個分支,與宏觀經(jīng)濟相互影響,研究股票市場的發(fā)展對剖析宏觀經(jīng)濟具有重要作用。相較于單個股票指數(shù),如今在股市中以兩種股票指數(shù)分化值為參考的交易模式日漸流行,該種交易模式具有諸多優(yōu)點,如:趨勢性明顯、擴大資金管理的額度、規(guī)避風險等。本文以2016年11月18日至2019年11月18日為研究時間跨度,選取該時間段內(nèi)731個交易日的中證500和上證50兩種股票指數(shù)的分鐘收盤價數(shù)據(jù),計算分化值的分鐘數(shù)據(jù),而后計算單日內(nèi)分化值極差作為目標序列進行建模分析,旨在對其進行預測,并深入研究影響因素,為交易提供參考性的建議。針對股票市場數(shù)據(jù)的研究多用時間序列模型,本文分析確定分化值研究的可行性后,對單日內(nèi)分化值極差序列創(chuàng)建傳統(tǒng)的ARIMA模型,分析當前值與過去值的線性關(guān)系,并作五步預測。在ARIMA模型的基礎上,添加分化值大于0.5的總波段幅度和、早盤分化極差、中證500指數(shù)的單日內(nèi)幅度極差、上證50指數(shù)的單日內(nèi)幅度極差、單日最小分化值五個影響因素... 

【文章來源】：山東大學山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

圖４－４模型１原數(shù)據(jù)與一階差分數(shù)據(jù)對比圖??根據(jù)圖４－４上圖，跨度一年的２２２個交易日的單日內(nèi)分化值極差序列沒有整??

?一?二三一?四?￡??真實值?２．４］?２．８６?１．１７?１．７１?１．１??真極等３?Ｉ?１一?７?Ｉ?Ｂ??運測值?１．０６?１．０６?１．０６?１．０６?１．０６??—預麗值等?ｔ??Ｂ?Ｂ?Ｂ?Ｂ?一??４．２．２模型二??對２０１６年１１月１８日至２０１８年１１月１８日的４８８個交易日單日內(nèi)分化值極??差數(shù)據(jù)進行數(shù)據(jù)預處理，去除極差大于２的異常值后剩余４３４個數(shù)據(jù)，對序列進??行平穩(wěn)性檢驗并繪制原數(shù)據(jù)圖像和一階差分數(shù)據(jù)圖像如圖４－５所示，發(fā)現(xiàn)原序列??和一階差分序列雖然均通過平穩(wěn)性檢驗，但是從圖像看，一階差分的序列波動更??加隨機，沒有分區(qū)間表現(xiàn)出來的趨勢性，所以確定對原數(shù)據(jù)進行一階差分處理后??再進行建模。??模型２鹿數(shù)據(jù)??Ｉ?｜?Ｉ?ｉ?ｉ??０?１００?２００?３００?４００??交易日??一階差分??１?Ｉ?Ｉ?Ｉ?Ｉ??０?１００?２００?３００?４００??交易日??圖４－５模型２原數(shù)據(jù)與一階差分數(shù)據(jù)對比圖??與模型一確定階數(shù)的方法相同，確定應用３ｉ？／Ｍ４（４，Ｕ）模型對分化值極差序??列進行建模分析，擬合得到模型表達式為：??Ｍ，?＝?０．０７９８Ｍ，．，?＋?０．０２０８Ｍ，＿２?－?０．０５３?＼Ｍ，＿３?＋?０．０７５６Ａｆ，＿４?＋?／?＋?０．９２９０ｆ，＿ｘ?＋?ｅ，??對ｄ７？／Ｍ４（４，Ｕ）模型的殘差序列進行獨立性檢驗，顯示Ｐ值大于０．０５，原假??３３??

—１＿??真實值?１．４５?１．２８?１．２４?０．８７?２．４３??真實值等級?Ｂ?Ｂ?Ｂ?Ｃ?Ａ??預測值?１．１１?１．１３?Ｌｌ＾?Ｌ０８?１．１１??麵孤福?Ｂ?Ｂ?Ｂ?Ｂ?Ｂ??４．２．３模型三??對２０１６年１１月１８日至２０１９年１１月１８日的７３１個交易日單日內(nèi)分化值的??極差數(shù)據(jù)進行數(shù)據(jù)預處理，去除分化值極差大于２的異常值后剩余６５１個數(shù)據(jù)，??對序列進行平穩(wěn)性檢驗并繪制原數(shù)據(jù)圖像和一階差分數(shù)據(jù)圖像如圖４－６，發(fā)現(xiàn)原??序列和一階差分序列雖然均通過平穩(wěn)性檢驗，但是從圖像看，一階差分的序列波??動更加隨機，沒有分區(qū)間的趨勢性。??原數(shù)據(jù)??ｌ；ｊ??Ｉ?Ｉ?Ｉ?ｉ?ｉ?ｉ?ｉ??０?１００?２００?３００?４００?５００?６００??交易日??一階差分??＊?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??０?１００?２００?３００?４００?５００?６００??交易日??圖４－６模型３原數(shù)據(jù)與一階差分數(shù)據(jù)對比圖??與模型一確定階數(shù)的方法相同，確定使用模型對分化值極差序??列進行分析和預測，得到模型表達式為：??Ｍ，?＝?０．０６６３Ｍ，＿，－０．０２１２Ｍ，＿２?－０．０９１７Ｍ，＿３?＋０．０３６７Ｍ，＿４?＋?ｆ，?＋０．８９６５??對乂？＿（４，１，１）模型的殘差序列進行獨立性檢驗，Ｐ值大于０．０５，接受原假??設，認為殘差序列獨立，說明模型合理。??模型預測結(jié)果及等級如下表：??３４??

【參考文獻】：
期刊論文
[1]基于ARIMA模型對股票和指數(shù)預測結(jié)果的簡單比較分析[J]. 張亞婕.  市場研究. 2019(11)
[2]基于ARIMA模型的證券利率時間序列研究預測[J]. 呂淑睿.  科技經(jīng)濟導刊. 2019(14)
[3]基于ARIMA-GARCH模型對股票數(shù)據(jù)處理過程的探討和研究[J]. 于雅凝,過榴曉.  科教導刊(下旬). 2018(06)
[4]函數(shù)型非參數(shù)模型的股市曲線預測[J]. 夏道明.  統(tǒng)計與決策. 2018(08)
[5]隨機森林在股票趨勢預測中的應用[J]. 張瀟,韋增欣.  中國管理信息化. 2018(03)
[6]基于非參數(shù)和半?yún)?shù)CARR模型的上海股票市場波動性研究[J]. 郭名媛,韓志楠.  重慶理工大學學報(自然科學). 2017(09)
[7]基于R軟件的金融時間序列的預測分析[J]. 李瑞閣,莊元穎,李聰聰.  電子技術(shù)與軟件工程. 2016(20)
[8]基于部分函數(shù)型線性回歸模型的上證指數(shù)預測[J]. 程麗娟.  泰山學院學報. 2016(03)
[9]大小盤股票估值分化之謎[J]. 曹文俊.  股市動態(tài)分析. 2014(07)
[10]部分線性模型在重慶地區(qū)生產(chǎn)總值分析與預測中的應用[J]. 劉鋒,銀利,張星.  重慶理工大學學報(自然科學). 2013(10)

碩士論文
[1]基于部分線性模型的房價預測[D]. 張利君.哈爾濱工業(yè)大學 2018
[2]我國A股市場大小盤風格輪動效應分析[D]. 徐詠.暨南大學 2016
[3]基于部分線性模型的可燃物含水率預測模型[D]. 周濤.東北林業(yè)大學 2016



本文編號：3050971