中国股票价格预测与实证分析--毕业论文.docx

题 目 中国股票价格预测与实证分析 学院(部) 财经学院 专 业 金融学 组 员 林锦辉（组长）（201301801049 蒙祥胜 （201301801056） 指导教师 杨毅 2016年4月24日目录1.案例摘要11.1研究主题11.2数据类型11.3起止时间11.4主要研究方法11.5小组成员及任务分析22.模型的提出23.数据来源24.建模与分析54.1古典线型回归模型54.12多重共线性检验64.13残差自相关性检验64.131图示法64.133B-G检验法74.14自相关性的修正广义差分法74.15残差异方差检验84.2VAR模型向量自回归模型104.21平稳性检验104.22协整检验134.23Granger因果检验14423VAR模型选择154.24脉冲检验174.3ARIMA模型自回归单证移动平均模型184.31自相关系数（AC）与偏自相关系数(PAC)185.政策与建议215.1技术面与基本面相结合分析。215.2英国资本市场的桥梁性。225.3中国股市较强的独立性。225.4中国股市的在技术面可研判性不高。22股市有风险，入市须谨慎！1.案例摘要2014年4月起，中国股市迎来了股市的春天。上证指数盘面信息显示，股指从2000点开始放量上涨，市场开始散发投资的气息。投资者，在高回报的驱使下，跑步入市。回顾往昔，中国自2007年金融风暴席卷全球下，股指呈断崖式下跌。市场一片恐慌，而导致股市陷入了7年的低迷。中国股市才走过25年左右的历史，股市相对于发达国家来说，并不是非常完善。有着，“政府市”的说法。而投资者为散户居多，机构投资者少。由于中国股市的不成熟性，而股市投资本来就充满了风险。为了，加深对中国股市的了解以及能更好的实现资本保值或增值。本文旨在基于计量经济学模型对中国股票价格进行预测与实证分析。为投资者，提供谨慎性的投资策略。关键词 股票价格预测 计量经济学模型 政策与建议1.1研究主题通过对股票价格预测，为投资者提供投资的建议，以更好的在资本市场进行资产保值与增值。本文从中国股市与外国股市的关联性角度出发，综合考虑各国资本市场的完善程度与GDP情况分别选取了美国标准普尔指数（S&P 500）、英国伦敦金融时报100指数（FTSE100）、香港恒生指数（HANG SENG）、日本日经225指数（Nikkei225）作为影响中国股市的自变量。从实用性角度，从我国股市选取了上证指数（SSE Composite index）作为被解释变量。通过相关变量，利用金融计量学相关模型建模，对我国股票价格进行预测。1.2数据类型月度数据（Monthly）（时间序列）有利于抵抗短期性市场波动干扰，更好把握投资的长期趋势。1.3起止时间2006m01-2016m031.4主要研究方法古典线型回归模型 var模型 协整分析 Granger因果分析 MAIAR模型1.5小组成员及任务分析林锦辉(组长)选题、模型选择、古典回归模型建立与分析、政策与建议撰写、蒙祥胜2模型的提出以上证指数SH(以首字母缩写表示,下同)为被解释变量，以标准普尔500MG、伦敦金融时报100指数LD、香港恒生指数XG、日经225指数（RB）为自变量做回归分析。3数据来源数据均来自雅虎财经/。具体如下：MONTHLYSHMGLDXGRBJan-061299.031280.665791.515918.4816205.43Feb-061298.31294.875964.615805.0417059.66Mar-061440.221310.616023.116661.316906.23Apr-061641.31270.095723.815857.8915467.33May-061672.211270.25833.416267.6215505.18Jun-061612.731276.665928.316971.3415456.81Jul-061658.641303.825906.117392.2716140.76Aug-061752.421335.855960.817543.0516127.58Sep-061837.991377.946129.218324.3516399.39Oct-062099.291400.636048.918960.4816274.33Nov-062675.471418.36220.819964.7217225.83Dec-062786.331438.246203.120106.4217383.42Jan-072881.071406.826171.519651.5117604.12Feb-073183.981420.86630819800.9317287.65Mar-073841.271482.376449.220318.9817400.41Apr-074109.651530.626621.520634.4717875.75May-073820.71503.356607.921772.7318138.36Jun-074471.031455.276360.123184.9417248.89Jul-075218.831473.996303.323984.1416569.09Aug-075552.31526.756466.827142.4716785.69Sep-075954.771549.386721.631352.5816737.63Oct-074871.781481.146432.528643.6115680.67Nov-075261.561468.366456.927812.6515307.78Dec-074383.391378.555879.823455.7413592.47Jan-084348.541330.635884.324331.6713603.02Feb-083472.711322.75702.122849.212525.54Mar-083693.111385.596087.325755.3513849.99Apr-083433.351400.386053.524533.1214338.54May-082736.112805625.922102.0113481.38Jun-082775.721267.385411.922731.113376.81Jul-082397.371282.835636.621261.8913072.87Aug-082293.781166.364902.518016.2111259.86Sep-081728.79968.754377.313968.678576.98Oct-081871.16896.24428813888.248512.27Nov-081820.81903.254434.214387.488859.56Dec-081990.66825.884149.613278.217994.05Jan-092082.85735.093830.112811.577568.42Feb-092373.21797.873926.113576.028109.53Mar-092477.57872.814243.715520.998828.26Apr-092632.93919.144417.9181719522.5May-092959.36919.324249.218378.739958.44Jun-093412.06987.484608.420573.3310356.83Jul-092667.751020.624908.919724.1910492.53Aug-092779.431057.085133.920955.2510133.23Sep-092995.851036.195044.621752.8710034.74Oct-093195.31095.635190.721821.59345.55Nov-093277.141115.15412.921872.510546.44Dec-092989.291073.875188.520121.9910198.04Jan-103051.941104.495354.520608.710126.03Feb-103109.11169.435679.621239.3511089.94Mar-102870.611186.695553.321108.5911057.4Apr-102592.151089.415188.419765.199768.7May-102398.371030.714916.920128.999382.64Jun-102637.51101.6525821029.819537.3Jul-102638.81049.335225.220536.498824.06Aug-102655.661141.25548.622358.179369.35Sep-102978.831183.265675.223096.329202.45Oct-102820.181180.555528.323007.999937.04Nov-102808.081257.645899.923035.4510228.92Dec-102790.691286.125862.923447.3410237.92Jan-112905.051327.22599423338.0210624.09Feb-112928.111325.835908.823527.529755.1Mar-112911.511363.616069.923720.819849.74Apr-112743.471345.2599023684.139693.73May-112762.081320.645945.722398.19816.09Jun-112701.731292.285815.222440.259833.03Jul-112567.341218.895394.520534.858955.2Aug-112359.221131.425128.517592.418700.29Sep-112468.251253.35544.219864.878988.39Oct-112333.411246.965505.417989.358434.61Nov-112199.421257.65572.318434.398455.35Dec-112292.611312.415681.620390.498802.51Jan-122428.491365.685871.521680.089723.24Feb-122262.791408.475768.520555.5810083.56Mar-122396.321397.915737.821094.219520.89Apr-122372.231310.335320.918629.528542.73May-122225.431362.165571.219441.469006.78Jun-122103.631379.325635.319796.818695.06Jul-122047.521406.585711.519482.578839.91Aug-122086.171440.675742.120840.388870.16Sep-122068.881412.165782.721641.828928.29Oct-121980.121416.185866.822030.399446.01Nov-122269.131426.195897.822656.9210395.18Dec-122385.421498.116276.923729.5311138.66Jan-132365.591514.686360.823020.2711559.36Feb-132236.621569.196411.722299.6312397.91Mar-132177.911597.576430.122737.0113860.86Apr-132300.591630.746583.122392.1613774.54May-131979.211606.286215.520803.2913677.32Jun-131993.81685.736621.121883.6613668.32Jul-132098.381632.976412.921731.3713388.86Aug-132174.671681.556462.222859.8614455.8Sep-132141.611756.546731.423206.3714327.94Oct-132220.51805.816650.623881.2915661.87Nov-132115.981848.366749.123306.3916291.31Dec-132033.081782.596510.422035.4214914.53Jan-142056.31859.456809.722836.9614841.07Feb-142033.311872.346598.422151.0614827.83Mar-142026.361883.95678022133.9714304.11Apr-142039.211923.576844.523081.6514632.38May-142048.331960.236743.923190.7215162.1Jun-142201.561930.676730.124756.8515620.77Jul-142217.22003.376819.824742.0615424.59Aug-142363.871972.296622.722932.9816173.52Sep-142420.182018.056546.523998.0616413.76Oct-142682.832067.566722.623987.4517459.85Nov-143234.682058.96566.123605.0417450.77Dec-143210.361994.996749.424507.0517674.39Jan-153310.32104.56946.724823.2918797.94Feb-153747.92067.89677324900.8919206.99Mar-154441.652085.516960.62813319520.01Apr-154611.742107.396984.427424.1920563.15May-154277.222063.11652126250.0320235.73Jun-153663.732103.846696.324636.2820585.24Jul-153205.991972.186247.921670.5818890.48Aug-153052.781920.036061.620846.317388.15Sep-153382.562079.366361.122640.0419083.1Oct-153445.42080.416356.121996.4219747.47Nov-153539.182043.946242.321914.419033.71Dec-152737.61940.246083.819683.1117518.3Jan-162687.981932.236097.119111.9316026.76Feb-163003.922059.746174.920776.716758.67Mar-162959.242091.586310.421467.0417572.494.建模与分析4.1古典线型回归模型古典线型回归方程为SH=919.31-0.86MG-0.98LD+0.30XG+0.17RB+ut.由判定系数可知，模型拟合程度相对较高。各系数的P值较小（小于0.1），故各系数显著。4.12多重共线性检验参照0.7界限，高于0.7，则具有较高的相关性。MG与LD的相关性达0.87；MG与RB的相关性达0.78；RB与LD的相关性达0.74。原因可能是，MG与LD在资本市场相对成熟，国家经济力量雄厚，而存在资本市场上的高度相关性。由于日本是世界第三大经济体，其与第一大经济体美国经济相关性极大，所以在资本市场上也有着一定的相关性。我们在综合考虑其它检验下，再来考虑是否对多重共线性进行处理。4.13残差自相关性检验4.131图示法从图中可以看出，e随时间呈现Sint的变化不。故估计的古典线型模型存在正的自相关。4.132D-W法从古典回归方程中可以得出d=0.40，在k=4，n=123的情况下（5%显著性水平单侧检验），dl=1.59，du=1.76.故d1.59.,则存在正的序列相关。4.133B-G检验法B-G检验下，Pdu=1.79.故接受不存在自相关的原假设。4.15残差异方差检验以未进行自相关调整后的广义差分模型，来进行残差异方差检验。从表中可知，P0.1,故不显著。所以，接受原假设，存在一个单位根，序列不平稳。对其进行一阶差分处理，得到经过一阶差分处理后的SH时间序列已平稳。对MG进行平稳性检验由于P0.1,故不显著。所以，接受原假设，存在一个单位根，序列不平稳。对其进行一阶差分处理，得到经过一阶差分处理后的SH时间序列已平稳。对LD进行平稳性检验由于P0.1,故不显著。所以，接受原假设，存在一个单位根，序列不平稳。对其进行一阶差分处理，得到经过一阶差分处理后的SH时间序列已平稳。对XG进行平稳性检验由于P0.1,故不显著。所以，接受原假设，存在一个单位根，序列不平稳。对其进行一阶差分处理，得到对RB进行平稳性检验由于P0.1,故不显著。所以，接受原假设，存在一个单位根，序列不平稳。对其进行一阶差分处理，得到4.22协整检验从图可知，SH,MG,LD,XG,RB,间存在一个协整关系，即它们之间存在长期的运动趋势。而在剔除LD后，不存在协整关系。则可以说明，LD是一个中间变量，其它各国股市随着LD而呈现变化。4.23Granger因果检验选择滞后阶数为三阶，预测短期波动对其它股市的影响。P=0.050.1,故F值显著。即拒绝原假设，即DSH是LD的原因。P=0.04，即拒绝原假设，DSH是DXG原因。P=0.020.1,拒绝原假设，即DSH是DRB的原因。P=0.070.1,拒绝原假设，即DRB是DMG的原因。P=0.080.1,即香港是DLD的原因。故由上海的股票市场的变动会反馈到XG,RB，LD市场，不会影响美国市场，且美国市场不会影响上海市场。423VAR模型选择同样，选择对上证指数影响性较大的三大股票市场来做VAR模型。其不同滞后阶数下，信息准则如下表：2468AIC14.3114.3614.3914.44SC14.5614.8515.1315.41从表中可知，AIC与SC随着滞后阶数的增大，其信息准则的值越来越大，在这里就不一一列出。最后，选择滞后2阶。其结果如下：通过对残差自相关性，残差异方差性进行检验，Var模型满足古典假设。且其解释能力达到0.89，是较高的程度。各变量的联合显著性F值较大。故确定为最优VAR模型：（由于我们研究的是中国股票市场的预测，故只给出以SH为解释变量的VAR模型。SH=134.68+0.95SH(-1)+0.05SH(-2)+0.60MG(-1)-0.67MG(-2)-0.16LD(-1)+0.32LD(-2)+0.0051XG-0.05XG(-2)-0.0035RB(-1)+0.0056RB(-2)从VAR模型中，SH受自身影响比较大，且其上一期的值对其影响较大，下下期略有下降。而MG的t值并不显著，即使均值很高。故我们认为MG,LD，XG,RB对其影响较少。4.24脉冲检验从图中可以看出，对XG施加一个单位的冲击，SH在5时期达到峰值，且呈现负反向影响，最后呈现稳定，但异于0；对RB施加一单位影响，在5时期开始影响SH，且是正的影响。4.3ARIMA模型自回归单证移动平均模型4.31自相关系数（AC）与偏自相关系数(PAC)依据上述图，并综合考虑AIC和SC后，我们得出初步ARIMA(1，2)的假定。但我们发现该模型下，解释力及预测能力都不是较好。故最终依据信息准侧与模型解释力及预测能力综合得出ARIMA(9 17)的模型。故最终的ARIMA模型为：DSH=DSH(-1)+DSH(-2)+DSH(-3)+DSH(-17)+ut(-1)+ut(-2)+ut(-3)+ut(-9).从中可以得出，SH的变动受到向前滞后17期的影响，且还会受到向前几天短期波动的影响。但从长期的趋势来看，支撑股票价格的还是自身总体趋势。短期趋势不造成影响。5政策与建议5.1技术面与基本面相结合分析。从古典线型模型可以解读出，其他具有代表性的股票市场对中国股市的影响只有0.7左右，之所有不完善，是由于变量的遗漏，而导致误差项的解释能力加大，即（AR（1）项对模型的解释有所增加。常言道：股市是经济的晴雨表。其反应的是每股收益，代表的是每个公司收益情况。而所有公司则为国家经济之所在。故，其它股市的情况，可以类比全球经济。全球经济的繁荣，对中国股市是一大利好消息。但，这只是一部分的因素，还有一部分便是中国的因素。中国，毕竟是全球第二大经济体，自身在全球经济中也有相当大的成分