基于时间序列的上证综合指数短期预测分析
2017-08-16赵月旭
刘 亭,赵月旭
(杭州电子科技大学理学院,浙江 杭州 310018)
基于时间序列的上证综合指数短期预测分析
刘 亭,赵月旭
(杭州电子科技大学理学院,浙江 杭州 310018)
对上证日收盘指数2000-12-20至2016-06-20的数据进行建模及预测分析.首先利用相关数据建立ARIMA模型,发现模型的残差存在条件异方差性以及非正态性,于是对残差建立GARCH模型,并对残差的分布类型分别做正态分布、广义误差分布与t分布假设.通过预测精度对比发现,残差服从t分布的ARMA-GARCH模型预测效果更好,预测相对误差仅为1.3%,可为相关投资者提供参考依据.
上证综合指数;ARIMA模型;t-ARMA-GARCH模型;预测
0 引 言
上证综合指数是判断股票价格变化趋势的参考依据,对其进行预测分析,可以帮助投资者及时了解股价未来走势,降低投资风险.2011年,文献[1]对上证指数建立了基于小波的NN-GARCH模型.2014年,文献[2]对上证日收盘指数建立了基于小波分析的ARIMA模型,提高了预测精度.2015年,文献[3]利用基于粒计算的时间序列模型对股票价格进行预测.2016年,文献[4]利用ARMA模型对伦敦股票收益率做了月度和年度预测.本文对上证日收盘指数建立残差服从t分布的t-ARMA(3,3)-GARC H(1,1)模型,对上证日收盘指数进行了预测分析.
1 模型介绍
1.1 ARIMA(p,d,q)模型
ARIMA(p,d,q)模型定义如下[5]:
(1)
1.2ARMA(p,q)-GARCH(m,s)模型
ARMA(p,q)-GARCH(m,s)模型定义如下[6]:
(2)
式中,et~N(0,1),独立同分布.
1.3 残差分布
对残差的分布类型有以下3种假设[7]:
1)残差εi服从正态分布:εi~N(0,1).
2)残差εi服从t分布:εi~t(λ),其中t(λ)是均值为0,自由度为λ的t分布.
3)残差εi服从广义误差分布(Generalized Error Distribution,GED)分布.其密度函数为

(3)

2 实证分析
本文选取上证日收盘指……
