时间序列分析—百度股票分析.doc

选取今年3月20号到5月30号，共50天的百度股票收盘价。 建立工作文件并导入数据 画时间序列图： 从图中可以看出大致是平稳的 平稳性检验（单位根检验）： 操作：view—Unit root test T统计量对应的P值为0.0536，所以在0.1的显著水平下是平稳的，所以不再做差分。 随机性检验： 操作：view—Correlogram Q统计量的P值显著为零，说明序列不是白噪声。 模型识别： 由上面自相关与偏自相关图，ACF拖尾，PACF一阶后截尾，所以判定模型为一阶自回归模型AR（1）。 模型估计： 操作：从EViews主菜单中点Quick，选择Estimate Equation 在弹出对话框中输入：X C AR(1) 系数对应P值均为零，说明这个模型显著成立。 模型为： xt=157.8852+0.674197（xt-1—157.8852）+εt 模型检验: 残差序列白噪声检验： Equation窗口点view—residual diagnostic—correlogram Q-statistics Q统计量对应的P值都很大，所以不能拒绝模型的残差序列是白噪声。 预测 样本内预测： View—Actual,Fitted,Residual—Actual,Fitted,Residual Table 第一列为真实值，第二列为预测值，得三列是残差 样本外预测： 先扩展样本容量：expand 1 60 然后再Equation窗口点Forecast， 然后双击序列xf就能看到预测值 比较真实值和预测值： 先把接下来10天的真实值复制到序列x里， 然后在主菜单点Quick—Group statistics— Descriptive statistics—Individual samples 在弹出的series list对话框中填x xf, 然后在Group窗口中点View—Graph,得到真实值和预测值的对比图： 趋势不大一样，预测效果并不好。 ARCH效应检验：（应该放在预测之前） 在equation窗口点view—residual diagnostics—serial correlation LM test, F统计量对应的P值大于0.1，所以不存在arch效应。