蔣秋艷 劉溫婉 楊建奇

摘要：論文選擇萊茵生物股票作為研究對象，選取了2019年的收盤價作為樣本時間序列，借助Eviews9.0軟件建立ARMA模型，通過分析檢驗發(fā)現(xiàn)ARMA（3，3）模型是最優(yōu)擬合模型，研究表明長期預(yù)測效果非常好，但最近幾期的預(yù)測準(zhǔn)確率不夠高，體現(xiàn)了ARMA模型只能做短期預(yù)測的缺點。

關(guān)鍵詞：時間序列挖掘;ARMA模型;股票價格;預(yù)測

自回歸移動平均模型（即ARMA模型）對短期內(nèi)的股票價格有很好的預(yù)測效果，充分考慮了股票價格隨機波動的干擾性。基于股票的歷史價格進行ARMA模型的建立，能夠較好地掌握股票未來價格的短期走勢，對投資者把握股票的買賣時機有著積極的指導(dǎo)作用。深入掌握股票市場的內(nèi)在規(guī)律，對股票價格的未來走勢進行充分預(yù)測，不僅對股票投資者進行有效投資、把握投資風(fēng)險，還是對我國經(jīng)濟持續(xù)健康發(fā)展都有著非常重要的意義。

近年來，我國學(xué)者通過將時間序列模型運用在股票市場方面做了大量的研究，取得了豐碩的成果。以萊茵生物股票（002166）2019年的日收盤價為研究樣本，基于ARMA模型進行實例預(yù)測，為金融研究分析提供了很好的指導(dǎo)信息。時間序列的理論基礎(chǔ)

一、數(shù)據(jù)來源及研究工具

數(shù)據(jù)來源于湘財金禾增強版軟件的歷史股價，從中選取了廣西板塊的醫(yī)藥股票萊茵生物（002166）在2019年1月2日至2020年1月23日每日的收盤價，一共254個數(shù)據(jù)作為研究分析的樣本數(shù)據(jù)。

二、數(shù)據(jù)的平穩(wěn)性檢驗與差分處理

首先運用Eviews9.0軟件檢驗238個原始數(shù)據(jù)的平穩(wěn)性，畫出時序圖，并進行ADF平穩(wěn)化檢驗。從時序圖表明出price序列的變化具有明顯的趨勢性，我們可以初步判斷price序列是非平穩(wěn)的時間序列。對price序列做ADF單位根檢驗，確認(rèn)了price序列是非平穩(wěn)的時間序列的判斷。因此要運用差分法消除price序列的趨勢性，得到平穩(wěn)的時間序列后才能進行ARMA模型的建立。

對原始數(shù)據(jù)price序列做一階差分處理后數(shù)據(jù)波動較之前變得平穩(wěn)，在更進一步的無趨勢項和無常數(shù)項的ADF單位根檢驗中，確定一階差分后的dprice序列是平穩(wěn)時間序列，符合ARMA模型的平穩(wěn)性要求，接下來將根據(jù)一階差分后的價格dprice序列建立ARMA（p ，q）模型。

三、參數(shù)估計和模型建立

為了對ARMA（p，q）模型進行定階，更好的估計p值和q，通過Eviews9.0軟件獲得dprice序列的自相關(guān)和偏自相關(guān)圖，從自相關(guān)和偏相關(guān)圖中可以看到，p和q的取值均在1至5之間。因此分別建立25個ARMA（p，q）模型，首先應(yīng)對模型的參數(shù)進行顯著性檢驗。Eviews9.0軟件中采用最小二乘法估計得到每個模型的各個參數(shù)P值。比較得知只有模型ARMA（2，1）、ARMA（2，2）、ARMA（3，3）和ARMA（4，3）檢驗出AR（p）和MA（q）系數(shù)的P值均小于0.05，通過了顯著性檢驗。為了從這四個ARMA（p ，q）模型中選出最優(yōu)模型，應(yīng)該根據(jù)最小信息量準(zhǔn)則、可決系數(shù)和F統(tǒng)計量對比四個模型的檢驗結(jié)果，結(jié)果歸整在表1中。

據(jù)表1，我們選擇建立ARMA（3，3）模型。最終可以確定ARMA（3，3）模型最小二乘法估計的擬合公式為：

yt = 0.011249+ 0.393733yt-1+ 0.400457yt-2 -0.873776yt-3+εt-0.316195εt-1 -0.281209εt-2+ 0.803642εt-3 （其中εt為殘差序列）。

進一步研究發(fā)現(xiàn)該模型能通過適應(yīng)性檢驗。因此，ARMA（3，3）模型可以用于預(yù)測分析。

四、模型的預(yù)測

通過上面的白噪聲適應(yīng)性檢驗可知，ARMA（3，3）模型是理想的，由于影響股票價格的因素較多，對股票的未來價格做短期預(yù)測的效果更好，長期預(yù)測產(chǎn)生的誤差較大。因此選擇預(yù)測的區(qū)間為2020年1月份，共包含16個數(shù)據(jù)。預(yù)測的常用方法有兩種，其中一種是動態(tài)預(yù)測，另一種是靜態(tài)預(yù)測。動態(tài)預(yù)測進行的是多步向前的預(yù)測，適用于樣本外的預(yù)測。靜態(tài)預(yù)測只能進行向前一步的預(yù)測，適用于樣本內(nèi)的預(yù)測先對建立模型的238個樣本數(shù)據(jù)進行靜態(tài)預(yù)測，查看ARMA（3，3）模型的預(yù)測效果。通過Eviews9.0軟件運行的預(yù)測結(jié)果如圖1所示，這表明靜態(tài)預(yù)測的效果還是很理想的，ARMA（3，3）模型可以用于對萊茵生物股票未來價格進行預(yù)測。

用動態(tài)預(yù)測得到的2020年1月份的預(yù)測值和16個實際收盤數(shù)據(jù)進行對比，得到了如下結(jié)果表2。

下頁表2和圖2顯示了ARMA（3，3）模型對萊茵生物股票2020年1月份股價的預(yù)測結(jié)果，與實際股票價格相比，前13個數(shù)據(jù)的預(yù)測準(zhǔn)確率較高，擬合效果較好，但是后3個數(shù)據(jù)的預(yù)測值與實際股票價格相差較大，準(zhǔn)確率過低。這可能與國內(nèi)的形勢有關(guān)，新型肺炎的爆發(fā)促使了醫(yī)療板塊股價的升漲，因此股票的預(yù)測單單靠科學(xué)的研究是不夠的，還應(yīng)該結(jié)合時事。

五、結(jié)語

本文對通過萊茵生物股票價格的研究表明，ARMA模型對投資者把握短期內(nèi)的投資預(yù)判有非常大的實際意義，能提供一定的參考價值。但是由于股票市場的影響因素過于復(fù)雜，導(dǎo)致ARMA模型能準(zhǔn)確預(yù)測的時期太短，研究結(jié)果同時表明在應(yīng)用ARMA模型預(yù)測時還應(yīng)加入基本分析方法，結(jié)合宏觀經(jīng)濟現(xiàn)狀、政府的政策變化和公司的經(jīng)營狀況進行全面的分析，有益于更好地分析股票價格的未來長期走勢。

參考文獻：

[1]周永道，王會琦，呂王勇.時間序列分析及應(yīng)用[M].北京：高等教育出版社，2015.

[2]安瀟瀟.ARMA相關(guān)模型及其應(yīng)用[D].秦皇島：燕山大學(xué)碩士論文，2008.

[3]林藍玉，陳秀芳，張德飛.ARMA模型在股票中的應(yīng)用[J].經(jīng)濟研究導(dǎo)刊，2018（26）：146-148.

[4]丁瑋珂.基于ARMA模型預(yù)測股票價格的實證分析[J].廣西質(zhì)量監(jiān)督導(dǎo)報，2019（5）：151-153.

作者簡介：蔣秋艷（1972—），女，湖南科技學(xué)院圖書館，館員。