本文介绍了ARIMA模型在时间序列分析中的应用，通过万科股价数据进行预测。首先进行单位根检验和平稳性验证，然后进行差分和平稳性检验，接着利用BIC模型定价确定ARIMA（0，1，1）模型，最后通过残差和白噪声检验验证模型效果，预测未来5天的收盘价。
ARIMA时序序列分析-股价预测
时间序列分析是按照时间顺序的一组数字序列。时间序列分析就是利用这组数列，应用数理统计方法加以处理，以预测未来事物的发展。时间序列分析是定量预测方法之一。
基本原理：
- 拿到一个观测值序列之后，首先判断它的平稳性，通过平稳性检验，判断序列是平稳序列还是非平稳序列。
- 若为非平稳序列，则利用差分变换成平稳序列。
- 对平稳序列，计算相关系数和偏相关系数，确定模型。
- 估计模型参数，并检验其显著性及模型本身的合理性。
- 检验模型拟合的准确性。
- 根据过去行为对将来的发展做出预测。
实验内容：
数据选择
原始序列
可视化展示
fig1 = plt.figure(figsize=(12,8))
x_major_locator=MultipleLocator(120)
plt.plot(date,data)
plt.title("时序图") #添加图标题
plt.xticks(rotation=45) #横坐标旋转45度
plt.xlabel('日期') #添加图的标签（x轴，y轴）
plt.ylabel("收盘价")
ax=plt.gca()
ax.xaxis.set_major_locator(x_major_locator) # 设置X轴显示间隔
plt.savefig('收盘价变化图.jpg')
从上图来看，时序序列波动明显，观测不具备平稳性；
单位根检验
from statsmodels.tsa.stattools import adfuller
ori_adf = adfuller(data) # 单位根检验
adf_out = pd.Series(ori_adf[0:4]
最低0.47元/天 解锁文章
2939
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
