基于成交量標(biāo)度的股價(jià)動(dòng)力學(xué)分析-資料下載頁
2025-01-16 14:25本頁面
【正文】 序列ARIMA(p,d,q)模型的擬合情況殘差的自相關(guān)性檢驗(yàn)AICBIC階數(shù)ChiSquare顯著性概率CLSPRC(3,1,0)6PRC_L(2,1,0)6注：①第二列的p，d，q分別表示自回歸項(xiàng)、差分項(xiàng)和移動(dòng)平均項(xiàng)的階數(shù)。 ②。③第四列、第五列分別為赤池信息準(zhǔn)則值和ScharwzBayes信息準(zhǔn)則值。分析： （1）從殘差的自相關(guān)性檢驗(yàn)看，兩個(gè)模型的殘差的直至6階滯后的自相關(guān)系數(shù)都沒有顯著不為零的，說明兩個(gè)模型擬合得都不錯(cuò)。 （2）從階數(shù)上看，基于成交量標(biāo)度的指數(shù)序列的階數(shù)都比收盤價(jià)序列的小。 （3）、AIC和BIC值看，基于成交量標(biāo)度的指數(shù)序列的值都要小于收盤價(jià)序列，說明基于成交量標(biāo)度的指數(shù)序列要比收盤價(jià)序列擬合的更好一些。 兩個(gè)序列的擬合效果分析由前面識(shí)別出的兩個(gè)序列的ARIMA模型及其參數(shù)值，我們對(duì)后面的80個(gè)樣本進(jìn)行預(yù)測(cè)，再根據(jù)前面的誤差分析項(xiàng)計(jì)算出辨識(shí)階段和測(cè)試階段的各個(gè)誤差值，見表2。表2 兩個(gè)序列的ARIMA模型的誤差分析表辨識(shí)階段：樣本數(shù)405序列均方差平均絕對(duì)值誤差最大絕對(duì)值誤差最小絕對(duì)值誤差％的比例CLSPRCPRC_L預(yù)測(cè)階段：樣本數(shù)80CLSPRCPRC_L分析 （1）在模型辨識(shí)階段，從各個(gè)誤差分析值看，不管是均方差、平均絕對(duì)值誤差，還是最小絕對(duì)值誤差、％的比例，基于成交量標(biāo)度的指數(shù)序列都要優(yōu)于收盤價(jià)序列。 （2）在模型測(cè)試階段，各個(gè)誤差分析值也是基于成交量標(biāo)度的指數(shù)序列要比收盤價(jià)序列好。 （3）模型測(cè)試階段的誤差分析值與辨識(shí)階段相比，其擬合效果并沒有變差，說明模型的參數(shù)的時(shí)間平穩(wěn)性得到了很好的保證。5 結(jié)論 根據(jù)前面的基于成交量標(biāo)度的股價(jià)序列的分析方法，我們對(duì)上證綜合指數(shù)的日數(shù)據(jù)進(jìn)行了實(shí)證分析。按照赤池信息準(zhǔn)則AIC、ScharwzBayes信息準(zhǔn)則BIC和參數(shù)值的顯著性，我們對(duì)兩個(gè)序列進(jìn)行了ARIMA模型辨識(shí)，發(fā)現(xiàn)基于成交量標(biāo)度的指數(shù)序列的自回歸項(xiàng)階數(shù)要小于收盤價(jià)序列，而且AIC和BIC值也要小于收盤價(jià)序列。這說明基于成交量的指數(shù)序列的ARIMA模型的擬合情況要優(yōu)于收盤價(jià)序列。再由辨識(shí)階段得到的ARIMA模型的參數(shù)值對(duì)后面的樣本進(jìn)行了測(cè)試，從各個(gè)誤差分析項(xiàng)（包括均方差、平均絕對(duì)值誤差、％的百分比等）也可以看出，基于成交量標(biāo)度的指數(shù)序列用ARIMA模型擬合要好于收盤價(jià)序列。上面的實(shí)證結(jié)果表明，基于成交量標(biāo)度的股價(jià)動(dòng)力學(xué)分析方法是可行的，也是有效的。
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1