时间序列论文

1、时间序列分析大论文课题：基于ARIMA模型的金城股份(000820)收盘价的时间序列分析及预测。胡毅翔，学号:基于ARIMA模型的金城股份(000820)收盘价的时间序列分析及预测。一.摘要本文用时间序列分析方法，对一段时间序列进行了拟合。通过对2013/08/29 至2013/11/29金城股份(000820)收盘价序列进行观察分析，建立合适的ARIMA 模型，对未来1天的金城股份(000820)收盘价序列进行预测。然后对预测值和 真实值进行比较，得出结论，所建立的模型有较好的拟合效果，从而提供了一个 行情预测的有效方法。关键词：时间序列 收盘价ARIMA时间序列分析预测二.数据预处理及具体

2、模型(建模)1.数据录入：2013/08/29 至 2013/11/29 金城股份(000820)收盘价时间收盘时间收盘时间收盘2013/08/2910.212013/09/3010.442013/11/0410.462013/08/309.852013/10/0810.32013/11/0510.32013/09/0210.262013/10/0910.362013/11/0610.512013/09/0310.222013/10/1010.372013/11/0710.12013/09/0410.072013/10/1110.492013/11/089.772013/09/059.8320

3、13/10/1410.292013/11/119.762013/09/069.942013/10/1510.552013/11/129.782013/09/0910.172013/10/1610.692013/11/139.482013/09/1010.232013/10/1711.342013/11/149.522013/09/119.862013/10/1811.112013/11/159.72013/09/129.72013/10/2111.432013/11/189.772013/09/139.992013/10/2211.712013/11/1910.072013/09/169.82

4、013/10/2311.62013/11/2010.042013/09/1710.292013/10/2411.222013/11/2110.042013/09/1810.772013/10/2511.162013/11/2210.642013/09/2310.72013/10/2811.652013/11/2510.412013/09/2410.262013/10/2910.492013/11/2610.092013/09/2510.262013/10/3010.472013/11/2710.052013/09/269.92013/10/3110.422013/11/2810.162013/

5、09/2710.062013/11/0110.42013/11/299.92绘制时序图程序如下：data a;input a;time=_n_;cards;10.219.8510.2610.2210.079.839.9410.1710.239.869.7 9.999.8 10.2910.7710.710.2610.269.9 10.0610.4410.310.3610.3710.4910.2910.5510.6911.3411.1111.4311.7111.611.2211.1611.6510.4910.4710.4210.410.4610.310.5110.19.779.769.789.48

6、9.529.7 9.7710.0710.0410.0410.6410.4110.0910.0510.169.9;Proc gplot;plot a*time;symbol1v=star i=join c=black;run;原时序图3. 一阶差分时序图通过原始数据的时序图可以明显看出，此序列非平稳，因而对序列进行一阶差分。data yx_51;input x;difx=dif(x);t=1+_n_-1;cards;9.7 9.999.8 10.2910.7710.710.2610.269.9 10.0610.4410.310.3610.3710.4910.2910.5510.6911.3411

7、.1111.4311.7111.611.2211.1611.6510.4910.4710.4210.410.4610.310.5110.19.779.769.789.489.529.7 9.7710.0710.0410.0410.6410.4110.0910.0510.169.9;proc gplot;plot x*t=1 difx*t=2;symboll c=red v=circle i=join;symbol2 c=yellow v=star i=join;run;一阶差分时序图从一阶差分后的自相关图可以看出，一阶差分后的序列的自相关系数一直都比较 小，始终控制在二倍标准差以内，可以认为一

8、阶差分后的序列始终都在零轴附近 波动，因而可以认为一阶差分后的序列为随机性很强的平稳序列，因此可以进行 纯随机性检验。4纯随机性检验程序如下：proc arima;identify var=x(1);estimate p=1;run;Autocu rre la_t i on Check f or Whi te NoiseToLagChi-SqusireDFPr pH : 9,-i. . .L-ll 1 oq hUlijijijr rhihl iuny14.45613.6712Q.S165-0.0.32200.142-0.106177-0.0770.077 a.0200 .啷 -0.250-0.

9、1350.164-0.09S-0.015Cond it i onaILeast SquaresEst i mat i onParameterEst imateStandardErrort ValueApprox Pr ItlLaghlU呻1,1-0.0040437-0.144130.034850.13189-0.12-1.090.90000.27910Constant Estimate Variance Estimeite Std Error Est imate ftICSBC,Number of ResiduaIs AIC and SBC do not include-0.004630.08

10、33370.31560929.5169233.672E9 log detersinant.Cond i t i Lina I Least Squares： Est iniat ionParamet e rEst imateStandardErrort ValueApprox Pr |t|La吉MU-0.00404370.034&5-0.120.0800AR1,1-0.14413Const antVari sinceStd ErrorAICSBCNumber ofm AIC and SBC do0.18189Est i mateEst i mateEst i mateFiesi dual s n

11、ot i ncIud已-1.D90.2791-O.0D4630.0933970.30560929.51G9233.67259log det已rm inant.1由参数的显著性检验可知，参数的T统计量不显著，而且序列自相关系数白噪声 检验的延迟各阶的LB统计量的P0.05,所以此时间序列拟合ARIMA（0,1,0）模 型，即随机游走模型，模型为：Xt=xt_1+t5.总结我们通过自相关图分别选取了分析结果可以知道，只有模型ARIMA（0, 1, 0）拟 合效果显著，拟合效果较好。所以我用它对明天进行预测和分析，收盘价位9.9三附录参考文献：新时代新时代灵动行情分析数据库应用时间序列分析（第三版）

12、王艳 编著数据：10.2910.7710.7 10.2610.269.910.0610.4410.3 10.3610.3710.4910.2910.5510.6911.3411.1111.4311.7111.6 11.2211.1611.6510.4910.4710.4210.4 10.4610.3 10.5110.1 9.779.76 9.78 9.48 9.52 9.7 9.77 10.0710.0410.0410.6410.4110.0910.0510.169.93.程序：(注释：为便于观察，我已把部分程序放在了正文中) data yx_51; input x;difx=dif(x);t=1+_n_-1;cards;10.219.85 10.2610.2210.079.83 9.94 10.1710.239.86 9.79.99 9.810.2910.7710.7 10.2610.269.910.0610.4410.3 10.3610.3710.4910.2910.5510.6911.3411.1111.4311.7111.6 11.2211.1611.6510.4910.4710.4210.4 10.4610.3 10.5110.1 9.779.76 9.78 9.4