《基于ARMA模型的莱茵生物股票预测分析》
本文是莱茵生物和股票类论文如何写跟生物有关专科毕业论文范文.
摘 要：论文选择莱茵生物股票作为研究对象,选取了2019年的收盘价作为样本时间序列,借助Eviews9.0软件建立ARMA模型,通过分析检验发现ARMA（3,3）模型是最优拟合模型,研究表明长期预测效果非常好,但最近几期的预测准确率不够高,体现了ARMA模型只能做短期预测的缺点.
关键词：时间序列挖掘;ARMA模型;股票;预测
自回归移动平均模型（即ARMA模型）对短期内的股票有很好的预测效果,充分考虑了股票随机波动的干扰性.基于股票的历史进行ARMA模型的建立,能够较好地掌握股票未来的短期走势,对投资者把握股票的买卖时机有着积极的指导作用.深入掌握股票市场的内在规律,对股票的未来走势进行充分预测,不仅对股票投资者进行有效投资、把握投资风险,还是对我国经济持续健康发展都有着非常重要的意义.
近年来,我国学者通过将时间序列模型运用在股票市场方面做了大量的研究,取得了丰硕的成果.以莱茵生物股票（002166）2019年的日收盘价为研究样本,基于ARMA模型进行实例预测,为金融研究分析提供了很好的指导信息.时间序列的理论基础
一 数据来源及研究工具
数据来源于湘财金禾增强版软件的历史股价,从中选取了广西板块的医药股票莱茵生物（002166）在2019年1月2日至2020年1月23日每日的收盘价,一共254个数据作为研究分析的样本数据.
二 数据的平稳性检验与差分处理
首先运用Eviews9.0软件检验238个原始数据的平稳性,画出时序图,并进行ADF平稳化检验.从时序图表明出price序列的变化具有明显的趋势性,我们可以初步判断price序列是非平稳的时间序列.对price序列做ADF单位根检验,确认了price序列是非平稳的时间序列的判断.因此要运用差分法消除price序列的趋势性,得到平稳的时间序列后才能进行ARMA模型的建立.
对原始数据price序列做一阶差分处理后数据波动较之前变得平稳,在更进一步的无趋势项和无常数项的ADF单位根检验中,确定一阶差分后的dprice序列是平稳时间序列,符合ARMA模型的平稳性要求,接下来将根据一階差分后的dprice序列建立ARMA（p ,q）模型.
三 参数估计和模型建立
为了对ARMA（p,q）模型进行定阶,更好的估计p值和q,通过Eviews9.0软件获得dprice序列的自相关和偏自相关图,从自相关和偏相关图中可以看到,p和q的取值均在1至5之间.因此分别建立25个ARMA（p,q）模型,首先应对模型的参数进行显著性检验.Eviews9.0软件中采用最小二乘法估计得到每个模型的各个参数P值.比较得知只有模型ARMA（2,1）、ARMA（2,2）、ARMA（3,3）和ARMA（4,3）检验出AR（p）和MA（q）系数的P值均小于0.05,通过了显著性检验.为了从这四个ARMA（p ,q）模型中选出最优模型,应该根据最小信息量准则、可决系数和F统计量对比四个模型的检验结果,结果归整在表1中.
据表1,我们选择建立ARMA（3,3）模型.最终可以确定ARMA（3,3）模型最小二乘法估计的拟合公式为：
yt 等于 0.011249+ 0.393733yt-1+ 0.400457yt-2 -0.873776yt-3+εt-0.316195εt-1 -0.281209εt-2+ 0.803642εt-3 （其中εt为残差序列）.
进一步研究发现该模型能通过适应性检验.因此,ARMA（3,3）模型可以用于预测分析.
四 模型的预测
通过上面的白噪声适应性检验可知,ARMA（3,3）模型是理想的,由于影响股票的因素较多,对股票的未来做短期预测的效果更好,长期预测产生的误差较大.因此选择预测的区间为2020年1月份,共包含16个数据.预测的常用方法有两种,其中一种是动态预测,另一种是静态预测.动态预测进行的是多步向前的预测,适用于样本外的预测.静态预测只能进行向前一步的预测,适用于样本内的预测先对建立模型的238个样本数据进行静态预测,查看ARMA（3,3）模型的预测效果.通过Eviews9.0软件运行的预测结果如图1所示,这表明静态预测的效果还是很理想的,ARMA（3,3）模型可以用于对莱茵生物股票未来进行预测.
用动态预测得到的2020年1月份的预测值和16个实际收盘数据进行对比,得到了如下结果表2.
下页表2和图2显示了ARMA（3,3）模型对莱茵生物股票2020年1月份股价的预测结果,与实际股票相比,前13个数据的预测准确率较高,拟合效果较好,但是后3个数据的预测值与实际股票相差较大,准确率过低.这可能与国内的形势有关,新型肺炎的爆发促使了医疗板块股价的升涨,因此股票的预测单单靠科学的研究是不够的,还应该结合时事.
五 结语
本文对通过莱茵生物股票的研究表明,ARMA模型对投资者把握短期内的投资预判有非常大的实际意义,能提供一定的参考价值.但是由于股票市场的影响因素过于复杂,导致ARMA模型能准确预测的时期太短,研究结果同时表明在应用ARMA模型预测时还应加入基本分析方法,结合宏观经济现状、政府的政策变化和公司的经营状况进行全面的分析,有益于更好地分析股票的未来长期走势.
参考文献：
[1]周永道,王会琦,吕.时间序列分析及应用[M].北京：高等教育出版社,2015.
[2]安潇潇.ARMA相关模型及其应用[D].秦皇岛：燕山大学硕士论文,2008.
[3]林蓝玉,陈秀芳,张德飞.ARMA模型在股票中的应用[J].经济研究导刊,2018（26）：146-148.
[4]丁玮珂.基于ARMA模型预测股票的实证分析[J].广西质量监督导报,2019（5）：151-153.
作者简介：蒋秋艳（1972—）,女,湖南科技学院图书馆,馆员.
结论,此文是关于生物方面的大学硕士和本科毕业论文范文,可作为莱茵生物和股票相关论文开题报告写作参考和职称论文写作文献资料.
莱茵生物和股票引用文献:
[1] 生物毕业论文范文 关于莱茵生物和股票类论文如何写2万字
[2] 八年级生物论文题目范文 八年级生物毕业论文题目怎样定
[3] 新颖的八年级生物教学论文题目 八年级生物教学论文题目怎么取
