拟合garch模型及autoreg模型-预测..docx

第五章SAS作业学号：200930980106姓名：何斌年级专业：10级统计1班指导老师：肖莉问题1：试选择恰当模型拟合某种股票的价格数据，数据如下：10.510.449.9410.25119.8810.51213.9412.2512.6113.513.4412.4413.515.3915.7513.8814.515.516.1314.7511.7515.2517.1320.51921.520.2525.6326.8827.6323.8826.382424.381、利用拟合模型预测未来二期该股票的价格；2、按照书本相应例题的格式完成问题，并附上SAS程序。解:1.1建立数据集，绘制时序图data gupiao; input value @@; time=_n_; cards;10.510.449.9410.2511 9.8810.512 13.9412.2512.6113.513.4412.4413.515.3915.7513.8814.515.516.1314.7511.7515.2517.1320.519 21.520.2525.6326.8827.6323.8826.3824 24.38 ;proc gplot data=gupiao; plot value*time; symbol i=join v=star h=1 ci=red cv=black w=2;run;1.2输出时序图显示该序列非平稳。如图1-1所示。图1-1 股票价格序列的时序图1.3对该序列进行一阶差分运算,程序修改如下:data gupiao; input value @@; difv=dif(value); time=_n_; cards;10.510.449.9410.2511 9.8810.512 13.9412.2512.6113.513.4412.4413.515.3915.7513.8814.515.516.1314.7511.7515.2517.1320.519 21.520.2525.6326.8827.6323.8826.3824 24.38 ;proc gplot data=gupiao; plot difv*time; symbol i=join v=star h=1 ci=red cv=black w=2; proc arima; identify var=value(1) minic p=(0:5) q=(0:5);run;1.4考查一阶差分后序列的平稳性。所得时序图如图1-2所示。图1-2 序列difv的时序图时序图显示差分后序列difv没有明显的非平稳特征。1.5序列difv的识别，如下图所示。图1-3序列difv的自相关图、偏自相关图图1-4 残差图图1-5 最优模型选择识别部分的输出结果显示，1阶差分后，序列difv为平稳非白噪声序列，最优拟合模型为AR（4）模型。1.6“estimate p=4;”对序列difv拟合AR（4）模型。输出结果显示mu、AR1,1、AR1,2均不显著，修改估计命令如下：estimate p=（3,4） noint;拟合结果显示模型显著且参数显著。如图1-6所示。图1-6 序列difv模型拟合结果输出结果显示，序列value的拟合模型为ARIMA（（3，4），1,0）模型，模型口径为：或等价记为： (V表示股价价格)1.7“forecast lead=2 id=time;”，利用拟合模型对序列作2期预测。如图1-7所示。图1-7 37期、38期股票价格预测（Forecast值）1.8拟合图：2.SAS程序：data gupiao; input value @@; difv=dif(value); time=_n_; cards;10.510.449.9410.2511 9.8810.512 13.9412.2512.6113.513.4412.4413.515.3915.7513.8814.515.516.1314.7511.7515.2517.1320.519 21.520.2525.6326.8827.6323.8826.3824 24.38 ;proc gplot data=gupiao; plot difv*time; symbol i=join v=star h=1 ci=red cv=black w=2; proc arima; identify var=value(1) minic p=(0:5) q=(0:5); estimate p=(3,4) noint; forecast lead=2 id=time out=results;run;proc