【正文】 R2 R1]*[R2。for i=1:57 r3=r3+x(i)*x(i+3)。for i=1:58 r2=r2+x(i)*x(i+2)。for i=1:59 r1=r1+x(i)*x(i+1)。for i=1:60 r0=r0+x(i)*x(i)。 q=1。 q=j。for i=1:k for j=1:k if A(i,j)min1 min1=A(i,j)。q=1。 A(i,j)=aic(m)。n=n39。k=N/10。四年來(lái)，我有幸聆聽(tīng)了信息管理學(xué)院許多老師的課，他們高尚的品行、淵博的學(xué)識(shí)給我留下了極為深刻的印象，我的成長(zhǎng)浸透著他們無(wú)數(shù)的辛勤勞動(dòng)，在此我向他們表示衷心的感謝！成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）25參考文獻(xiàn)[1] J. McNames,”Local averaging optimization for chaotic time series prediction.”[J]Neuroputing,October 2022.[2] Olson Dennis，Mossman Charles .Neural work forecasts of Canadian stock returns using accounting rations. International Journal of ，19 (3):453465P.[3] Yiwen Yang，Guizhong time series prediction based on neural works applied to stock market. Systems，Man ，and Cyberics，2022 IEEE International Conference，Tucson，AZ USA，2022:26802685P.[4] [M]. 武漢：武漢大學(xué)出版社 .2022[5] [M]. 武漢：華中理工大學(xué)出版社 .2022[6] 黃俊，周猛， 模型在我國(guó)能源消費(fèi)預(yù)測(cè)中的應(yīng)用決策[J].參考決策.:49～50.[7] [J]. 西民族學(xué)院學(xué)報(bào) (自然科學(xué)版).: 17～19.[8] 陳守東，孟慶順， [J].吉林大學(xué)社會(huì)科學(xué)學(xué)報(bào).:4552.[9] 張思奇，馬華，、收益與市場(chǎng)效率 ARMA ARMAM 模型[J]. 世界經(jīng):1928.[10] 靳 云 匯 ， 于 存 高 .中 國(guó) 股 票 市 場(chǎng) 與 國(guó) 民 經(jīng) 濟(jì) 關(guān) 系 的 實(shí) 證 研 究 (上 )[J].金 融 研 究 . :4045.[11] 吳文鋒，[J]. 系統(tǒng)工程理論與實(shí)踐 .:6369.[12] [M]. 北京：.[13] [M]. 北京: . 9.[14] 李學(xué)偉，關(guān)忠良，[M]. 北京 :.[15] [M]. 北京: .[16] 模型及應(yīng)用[J].(3):21～24成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）26附 錄 1中石化股票的歷史價(jià)格日期 開(kāi)盤(pán)價(jià) 最高價(jià) 最低價(jià) 收盤(pán)價(jià) 成交量（萬(wàn)股） 成交額（萬(wàn)元）20220506 20220505 20220504 20220430 20220428 20220424 20220423 20220415 20220401 20220331 20220327 20220326 20220325 20220324 20220320 20220318 20220316 20220313 20220312 20220311 20220310 20220306 20220303 20220302 20220227 20220226 20220225 20220224 20220218 20220217 成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）27日期 開(kāi)盤(pán)價(jià) 最高價(jià) 最低價(jià) 收盤(pán)價(jià) 成交量（萬(wàn)股） 成交額（萬(wàn)元）20220213 20220212 20220211 20220209 20220203 20220202 20220121 20220120 20220119 20220116 20220115 20220114 20220113 20220108 20221229 20221226 20221225 20221224 20221223 20221222 20221219 20221218 20221217 20221215 20221208 20221204 20221202 20221126 20221125 成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）28附 錄 2根據(jù) AIC 最小準(zhǔn)則定階的標(biāo)準(zhǔn)，編寫(xiě) M 文件，取 N/10 為上限。成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）24致 謝時(shí)光飛逝，四年美好的大學(xué)生活即將成為過(guò)去，在此論文即將完成之際，我首先感謝我指導(dǎo)老師魏友華,在我論文的寫(xiě)作過(guò)程中，從論文的選題、資料收集、理論分析到撰寫(xiě)成稿，無(wú)不浸透著我的指導(dǎo)老師魏友華的心血，魏老師嚴(yán)謹(jǐn)求實(shí)的治學(xué)態(tài)度、兢兢業(yè)業(yè)的奉獻(xiàn)精神也給了我莫大的鼓勵(lì)與啟迪。其次就是樣本數(shù)量的選擇問(wèn)題，本文研究選用的樣本個(gè)數(shù)較少，這同樣影響結(jié)論的普遍性和代表性。本文研究有很多的不足之處，首先是樣本選擇的時(shí)間跨度問(wèn)題。Re(o)= + （計(jì)算見(jiàn)附錄 3） 預(yù)測(cè) for i=1:5成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）22k=60+iA(i)=y(1)*x(k1)+y(2)*x(k2)+e(k)+Re(o)*e(k1)。 參數(shù)計(jì)算y(1)= 。模型定階：（M文件見(jiàn)附錄2） [p q]=armapq1(n)P=2。39。39。39。*39。運(yùn)用 MATLAB 預(yù)測(cè)流程如圖（）所示： 圖 31 預(yù)測(cè)流程圖 輸入數(shù)據(jù)m：原始數(shù)據(jù)（數(shù)據(jù)見(jiàn)附錄 1） ；t=1：60。?2??1??q成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）18第 3 章 中石化股票價(jià)格短期預(yù)測(cè)中石化股票自從 2022 年 10 月 18 日 19 日上市以來(lái)，一直呈上升趨勢(shì)，在2022 年開(kāi)始成平穩(wěn)的下跌趨勢(shì)，漲幅不是很大，股票價(jià)格運(yùn)行比較平穩(wěn)，具有代表性，所以選擇中石化股票作預(yù)測(cè)。這里介紹矩估計(jì)，它雖然較粗糙, 但簡(jiǎn)單方便, 且在某些情況下, 矩估計(jì)與其它較精估計(jì)很接近。k表 21 由拖尾性對(duì)模型作出初步判斷模型 自相關(guān)系數(shù) 偏相關(guān)系數(shù)AR(p) 拖尾 p 階截尾MA(q) q 階截尾 拖尾ARMA(p,q) 拖尾 拖尾（2）AIC 最小準(zhǔn)則定階 對(duì)于 ARMA 模型的定階, 我們可以采用下面的 AIC 準(zhǔn)則：AIC(n， m)=ln +2（m+n+1）/N?2??成都理工大學(xué)畢業(yè)設(shè)計(jì)（論文）16若 AIC（p,q）= AIC(n,m)Lmn?,0i則定 ARMA 模型的階數(shù)為(p，q) ，其中 是相應(yīng)的 ARMA 序列的?2??的估計(jì)值 L 為預(yù)先給定的最高階數(shù)。 / k??k??0稱(chēng)為自相關(guān)函數(shù)。 模型選擇（1）模型初步判斷自相關(guān)函數(shù)：設(shè){ }是一個(gè)隨機(jī)時(shí)間序列，即對(duì)每個(gè)固定時(shí)刻 t, 是一個(gè)tX tX隨機(jī)變量，它的數(shù)學(xué)期望 稱(chēng)為序列{ }在 t 時(shí)刻的平均值，顯然，??tE??tX是 t 的函數(shù)，因此，我們稱(chēng) 是{ }的均值函數(shù)。AR 模型的特征是在 t 時(shí)刻的響應(yīng) 僅與其以前時(shí)刻的響應(yīng)有關(guān)，而與其tX以前時(shí)刻進(jìn)入系統(tǒng)的擾動(dòng)無(wú)關(guān)；MA 模型是與以前時(shí)刻的響應(yīng)無(wú)關(guān)只與以前時(shí)刻的進(jìn)入系統(tǒng)的擾動(dòng)項(xiàng)有關(guān)； ARMA 模型不僅與以前時(shí)刻響應(yīng)有關(guān)，而且與其以前時(shí)刻的進(jìn)入系統(tǒng)的擾動(dòng)項(xiàng)有關(guān)。（2）滑動(dòng)平均模型 MA（q）定義 MA(q)模型：設(shè) 是 ,如果實(shí)數(shù) 使??t???20WN?12,(0)qb??得 ??1,1qjjBzbz?????就稱(chēng) 1,qttjtXbZ?????是 q 階滑動(dòng)平均模型，簡(jiǎn)稱(chēng)為 MA(q)序列。 時(shí)間序列模型 時(shí)間序列模型：誤差項(xiàng)； ：零均值白噪聲。常見(jiàn)的有指數(shù)曲線、二次曲線、龔伯茲曲線和延續(xù)預(yù)測(cè)方法多種。其方法可用最小二乘法求出，得到：= 通過(guò)變形，公式可 = b??22??ttnYb?2tY= 進(jìn)一步簡(jiǎn)化為： =a an當(dāng)參數(shù) 和 確定后，預(yù)測(cè)方程即確定。?tY用此方法進(jìn)行預(yù)測(cè)時(shí)，其關(guān)鍵是將主要的問(wèn)題擬合成一條直線。趨勢(shì)外推法的突出特點(diǎn)是選用一定的數(shù)學(xué)模型來(lái)擬合預(yù)測(cè)變量的變動(dòng)趨勢(shì)，并進(jìn)而用模型進(jìn)行預(yù)測(cè)。 sj,.21?4. 趨勢(shì)延伸法事物的發(fā)展具有一定的連續(xù)性，有些事物的發(fā)展在某個(gè)相對(duì)時(shí)間內(nèi)呈現(xiàn)出一定的規(guī)律性，遵循這種規(guī)律進(jìn)行推導(dǎo)延伸，就可以預(yù)測(cè)事物發(fā)展的未來(lái)。 .???處理，使其均值