R语言数据分析案例35-针对招商银行股价预测分析

最新推荐文章于 2024-06-28 21:24:57 发布

statistican_ABin

最新推荐文章于 2024-06-28 21:24:57 发布

阅读量897

点赞数 26

分类专栏： R语言数据分析案例文章标签：数据分析数据挖掘

本文链接：https://blog.csdn.net/m0_62638421/article/details/139889700

版权

R语言数据分析案例专栏收录该内容

37 篇文章 5 订阅

订阅专栏

一、公司简介

（一）招商银行简介

招商银行是国内最大的零售银行，信用卡发卡最多的银行，是权重股，一线蓝筹股，而在最近几年的金融板块的表现也是极其亮眼，股价在两年内几乎翻了一倍。作为股份制银行，招商银行在目前的金融机构业务中经营非常良好，是国内信用卡发卡最多的银行，而且正加快实现战略转型，加大收入结构和客户结构的调整力度，大力发展零售银行业务、中间业务、信用卡业务和中小企业业务,不断提高非利息收入的占比,经营转型取得了良好的效果，是值得投资的白马股。

如上，画出核心指标的折线图，我们会发现，近几年来，无论是净利润还是营业总收入，都是保持了增长稳中向好。。。

二、实证分析

本文的数据来源于国泰安数据库，招商银行的每个交易日的开盘价、收盘价、成交量等。

变量选取，本文选取了从2011年1月到2022年9月的上证指数以及招商银行的每个交易日的收盘价作为原始数据，在此基础上进行时间序列分析。

首先对招商银行的股价进行描述性统计分析，计算其最大值最小值等统计量如表2所示，然后画出其时序图如图2所示：

数据和代码

报告代码数据

time=as.Date(data$date)
price=as.numeric(data$close)
summary(price)

表招商银行股价描述性统计

Min.	1stQu.	Median	Mean	3rdQu.	Max.
55.00	72.00	83.00	89.98	101.50	229.00

画出股价随着时间变化的时序图：

price2=zoo(price,time)
plot(price2 ,main = "招商银行股价",xlab = "日期",ylab="股价",type='l')

下面对终极硬汉股价进行纯随机性检验和平稳性检验结果

#白噪声检验
for(i in 1:4) print(Box.test(price,type = "Ljung-Box",lag=3*i))
adf.test(price,3)

表纯随机检验

滞后期数	卡方统计量	P值
滞后3期P值	8548.3	0.000
滞后6期P值	17057	0.000
滞后9期P值	25531	0.000
滞后12期P值	33969	0.000

表平稳性检验

检验形式	no drift no trend	with drift no trend	with drift and trend
ADF统计量	0.0745	-1.15	-2.48
对应P值	0.665	0.649	0.375

从表3和表4可以看到在0.05的显著性水平下，滞后3,6,9,12期都拒绝原假设，即都不是纯随机性序列，可以进行后续分析。

将招商银行股价数据进行一阶差分处理

表差分后纯随机检验

滞后期数	卡方统计量	P值
滞后3期P值	5.4064	0.1443
滞后6期P值	15.087	0.01959
滞后9期P值	25.747	0.002247
滞后12期P值	28.35	0.004915

表差分后平稳性检验

检验形式	no drift no trend	with drift no trend	with drift and trend
ADF统计量	-54.4	-54.4	-54.4
对应P值	0.01	0.01	0.01

即该差分后的序列数据为平稳序列。可以进行下一步建模。

ARIMA模型要观察数据的自相关图和偏自相关图来进行模型阶数的确定。对一阶差分的序列画出其ACF图和PACF图：

下面进行R语言的自动定阶的函数auto.arima，计算得到模型应该采用ARIMA(1,1,1)，拟合得到模型系数：

auto.arima(price)

x.fit<-arima(price,order=c(1,1,1))
x.fit

表模型系数检验

系数	AR1	MA1
P值	0.00	0.00

在0.01 的显著性水平下，所有系数都通过了显著性检验。

残差检验

#模型残差检验
for(i in 1:4) print(Box.test(x.fit$residual,lag=3*i))
#p大于0.05，不拒绝原假设，残差为白噪音，模型拟合有效
#dwtest(x.fit,order.by=xlag)
plot(x.fit$residuals,main = "招商银行股价模型残差图",xlab = "日期",ylab="模型残差")

最后进行预测，得到的整体拟合和预测图如下

#个性化输出预测图
L1<-x.fore$fitted-1.96*sqrt(x.fit$sigma2)
U1<-x.fore$fitted+1.96*sqrt(x.fit$sigma2)
L2<-ts(x.fore$lower[,2])
U2<-ts(x.fore$upper[,2])
c1<-min(price,L1,L2)
c2<-max(price,L2,U2)
plot(price2,type = "p",pch=3,col=6,ylim = c(c1,c2),main='招商银行股价预测图')

lines(x=time,y=x.fore$fitted,lwd=2,type = "l")
lines(x=time,x.fore$mean,col=2,lwd=2)
lines(x=time,L1,col=4,lty=2)
#lines(x=time,L2,col=4,lty=2)
lines(x=time,U1,col=4,lty=2)