Cómo utilizar el modelo Arma para la estimación de existencias

El análisis de series de tiempo es una de las herramientas más utilizadas en el campo económico. Describe los cambios en los datos históricos a lo largo del tiempo mediante modelos apropiados y analiza los valores de las variables predictoras. El modelo ARMA es uno de los modelos de series temporales más comunes e importantes y se utiliza ampliamente en la predicción en el campo económico. Se proporcionan el modelo y el método de implementación del modelo ARMA, y luego se revela la regularidad de la transformación de las acciones en función de datos de acciones específicos, y el modelo ARMA se utiliza para predecir los precios de las acciones.

Seleccione datos específicos de las acciones de Changjiang Securities para análisis empírico

1.

Dado que los modelos de series de tiempo a menudo requieren muestras más grandes, el autor seleccionó aquí el precio de apertura de Changjiang Securities del 03/09/20 al 06/09/19, aproximadamente tres meses antes y después, *** A Se calcula un total de 60 muestras, lo que básicamente cumple con los requisitos del modelado ARMA.

Fuente de datos: datos exportados por el software de análisis de acciones Great Wisdom (el gráfico de precios de las acciones es el siguiente)

Como se puede ver en la figura anterior, existe una cierta tendencia en la no -proceso estacionario, cualquiera que sea el logaritmo lnS, y luego observar su estabilidad.

2. Análisis de estabilidad de datos.

Primero, use EVIEWS para generar una nueva secuencia de lnS y use ADF para verificar su estacionariedad.

(1) Prueba de estacionariedad del ADF, primero realice directamente una prueba de estacionariedad en los datos; si no pasa la prueba, no es estacionario.

Se puede ver que lnS no pasó la prueba y también es un proceso no estacionario, por lo que pensamos en su diferencia.

(2) Prueba de estacionariedad después de la diferencia de primer orden Los resultados de la prueba ADF son los siguientes. Pasa la prueba significativa del 1%, es decir, los datos después de la diferencia de primer orden son estacionarios.

Se puede ver que después de la diferencia, el valor absoluto del estadístico de prueba ADF -5.978381 es significativamente mayor que el valor crítico del nivel de significancia del 1% y puede pasar la prueba de estacionariedad.

3. Determine el modelo aplicable y establezca el orden. Puede generar los datos de diferencia de primer orden dls de los datos originales, observar su coeficiente de correlación AC y su coeficiente de autocorrelación parcial PAC y determinar si es un modelo AR, MA o ARMA.

(1) Primero observe el diagrama AC y el diagrama PAC de los datos de diferencia de primer orden dls. Después de la inspección, se puede ver que AC y PAC no tienen un truncamiento obvio. Intente utilizar el modelo ARMA. Los valores de retraso específicos p y q deben determinarse específicamente utilizando AIC y SC.

(2) Pruebe diferentes modelos y determine el modelo ARMA (p, q) basándose en los principios de minimización AIC y SC. Después de varias rondas de comparaciones de diferentes modelos ARMA (p, q), se pueden obtener los valores AIC y SC correspondientes.

Después de múltiples rondas de comparaciones, finalmente se descubrió que el proceso ARMA (1,1) tiene el AIC y SC más pequeños. Finalmente, se seleccionó el modelo ARIMA (1,1,1) como modelo de predicción. La expresión específica de este modelo es:

DLS t = 0.9968020031 DLS (t-1) - 1.164830718 U (t-1) + U t

4. . Seleccione el modelo ARIMA (1,1,1), y después de determinar el orden y estimar los parámetros, se debe probar la secuencia residual y se pueden encontrar las pruebas estadísticas AC y Q sobre los residuos. Se encuentra que la autocorrelación de los residuos. Los residuos son básicamente alrededor de 0, Q Los valores básicamente pasan la prueba y los residuos no tienen una correlación obvia. Se puede considerar que los residuos no contienen demasiada información y el ajuste del modelo es básicamente consistente.

5. Predicción del precio de las acciones. Utilizando el modelo anterior, predecimos el precio de las acciones de Changjiang Securities los días 22, 23 y 24 de junio. La comparación entre el valor previsto y el valor real es la siguiente.

Aunque hay un cierto error, las tendencias alcistas y bajistas son básicamente las mismas que en el pasado. El primer error aquí supera las expectativas porque el 22 de junio es lunes y las fluctuaciones son grandes. El método se utiliza aquí para validar los resultados del swing del lunes en un artículo de investigación. Excepto el error del lunes, los errores del resto de días están dentro del rango aceptable.

En resumen, el modelo ARMA resuelve bien el problema de modelado de series temporales no estacionarias y puede usarse para la predicción de series temporales con buen rendimiento.

Con la ayuda del software EViews, el modelo ARMA se puede aplicar fácilmente a la investigación y predicción de cuestiones de series temporales como las finanzas, proporcionando orientación y asistencia para la toma de decisiones a los responsables de la toma de decisiones. Por supuesto, debido a la complejidad de las series de tiempo financieras, cómo simular bien requiere más investigación y discusión. En el futuro, continuaremos explorando este aspecto.