【原创】R语言股票实际价格和预测价格差异分析论文报告

【原创】R语言股票实际价格和预测价格差异分析论文报告股票实际价格和预测价格差异分析摘要：本文旨在准确估计股票价格，了解股票的一般规律，为资本市场提供参考意见，帮助股民做出正确的决策。从股票价格指数与整个经济环境角度出发，采用多元回归分析方法，应用月度时间序列数据，建立线性回归模型，得出股票价格趋势变动的影响因素。关键词：回归模型；指数模型；股票价格；预测一、引言本文从股票价格指数与整个经济环境角度出发，采用多元回归分析方法，应用月度时间序列数据建立了线性回归模型。具体分析步骤如下：1.关系分析为了大致了解股票价格与各个因素之间的关系，先分别绘制股票价格与各个因素之间的散点图，并分析它们之间的关系。股价用上证A股指数表示，这样可以减少人为因素对股票价格的影响，尽量将注意力集中在我们假设选用的自变量上。数据采用2012年和2015年上半年的月度数据，分析影响我国股市趋势的因素。选取2012年和2015年7月的月度数据作为样本。2.指数平滑时间序列预测模型3.选择多项式回归模型3.1变量选取通过向前向后逐步迭代回归模型筛选出显著性较强的变量进行回归建模。3.2显著性检验根据F值和p值统计量来判断模型是否具有显著的统计意义。3.3拟合预测使用得到的模型对实际数据进行拟合和预测。4.分析得出结论得出各个自变量之间的关系，以及它们对因变量的影响及其经济意义。二、获取数据及预处理获取2012年1月到2015年7月的上证指数数据、货币供应量、消费价格指数、人民币美元汇率和存款利率数据。绘制变量之间的散点图。残差分析可以用来检验回归模型的假设条件，即随机误差项是否独立同分布，并找出离群点。我们可以使用命令语句plot(lm.1)来进行分析，结果如下：par(mfrow=c(2,2))plot(lmmod)在左上图中，我们可以看到除了第6个离群点外，其余点基本上是随机地分散在纵坐标值为-1和+1的两条平行线之间，这说明随机误差项具有同方差性。左下图是拟合值与残差的标准差的散点图，其意义与上面类似。右上图表明随机误差项服从正态分布，因为正态Q-Q图近似地可以看成一条直线。右下图的CooK距离图进一步证实第6个观测值是一个离群点，它对回归方程的影响是比较大的，要根据具体问题讨论出现这一观测值的实际背景。逐步回归优化可以使用逐步回归法来建立“最优”的回归方程。我们可以看到在开始时AIC为478.32，然后使用x1、x2、x3和x4建立回归方程。在第一步中，我们可以看到删除x2可以使AIC降低至476.61。在第二步中，我们可以看到删除x4可以使AIC降低至482.05。在第三步中，我们可以看到删除x1可以使AIC降低至482.53。最后，删除x3可以使AIC降低至487.86。SummaryofModelResults:Thesummaryofthestepmodmodelshowsthecoefficientsandresultsofthelinearregressionanalysis.Themodelusedtheformulay~x1+x3+x4,andthedatausedintheanalysisisnotprovided.Theresidualsrangefrom-539.93to471.56andhaveamedianof9.65.Thecoefficientsshowthatx1,x3,andx4haveasignificantimpactony.Theintercepthasanestimateof-3.669e+04andastandarderrorof8.237e+03.Thecoefficientforx1is3.792e-03withastandarderrorof9.977e-04,andthecoefficientforx3is5.228e+01withastandarderrorof1.081e+01.Thecoefficientforx4is8.928e+02withastandarderrorof2.621e+02.Thep-valuesforallcoefficientsarelessthan0.05,indicatingthattheyarestatisticallysignificant.TheadjustedR-squaredvalueis0.4367,indicatingthatthemodelexplains43.67%ofthevarianceinthedata.TheF-statisticis11.85,withap-valueof1.17e-05,indicatingthatthemodelissignificantoverall.Insummary,thestepmodmodelshowsthatx1,x3,andx4haveasignificantimpactony,andthemodelissignificantoverall.元汇率数据","人民币存款利率数据")上证指数数据显示，2012年1月至2015年7月，上证指数呈现出波动上升的趋势。货币供应量数据显示，2012年1月至2015年7月，货币供应量整体呈现出增长的态势。居民消费价格指数数据显示，2012年1月至2015年7月，居民消费价格指数整体呈现出缓慢上升的趋势。美元汇率数据显示，2012年1月至2015年7月，人民币对美元汇率整体呈现出波动下降的趋势。人民币存款利率数据显示，2012年1月至2015年7月，人民币存款利率整体呈现出先上升后下降的趋势。其中，2012年至2013年底，存款利率一直维持在17.1%不变；2014年初至中期，存款利率有所上升，最高达到22.5%；2014年下半年至2015年初，存款利率有所下降，最低降至26%；2015年中期至7月底，存款利率再次下降至28.5%左右。首先，我们绘制变量之间的散点图，以便了解它们之间的关系。我们可以使用R语言中的plot函数，并使用par函数将图形排列在2x2的矩阵中。我们可以绘制货币供应量数据和上证指数数据、居民消费价格指数和上证指数数据、美元汇率和上证指数数据、人民币存款利率和上证指数数据之间的散点图。然后，我们需要表示时间序列。我们可以使用R语言中的xts库来表示时间序列数据，并使用plot.ts函数来绘制上证指数数据的时间序列图。我们还可以使用diff函数计算相邻观察值之间的差异，并使用rollmean函数计算移动平均值。我们可以使用lines函数将移动平均线添加到时间序列图中。接下来，我们可以使用HoltWinters函数进行预测。我们可以使用R语言中的forecast