❶ 怎么样做简单的股票股价估值
股票估值分为绝对估值、相对估值和联合估值。
一、绝对估值
绝对估值是通过，对上市公司历史及当前的基本面的分析和对未来反应公司经营状况的财务数据的预测获得上市公司股票的内在价值。
绝对估值的方法：一是现金流贴现定价模型，二是B-S期权定价模型(主要应用于期权定价、权证定价等)。现金流贴现定价模型目前使用最多的是DDM和DCF，而DCF估值模型中，最广泛应用的就是FCFE股权自由现金流模型。
绝对估值的作用：股票的价格总是围绕着股票的内在价值上下波动，发现价格被低估的股票，在股票的价格远远低于内在价值的时候买入股票，而在股票的价格回归到内在价值甚至高于内在价值的时候卖出以获利。
二、相对估值
相对估值是使用市盈率、市净率、市售率、市现率等价格指标与其它多只股票(对比系)进行对比，如果低于对比系的相应的指标值的平均值，股票价格被低估，股价将很有希望上涨，使得指标回归对比系的平均值。相对估值包括PE、PB、PEG、EV/EBITDA等估值法。通常的做法是对比，一个是和该公司历史数据进行对比，二是和国内同行业企业的数据进行对比，确定它的位置，三是和国际上的(特别是香港和美国)同行业重点企业数据进行对比。
三、联合估值
联合估值是结合绝对估值和相对估值，寻找同时股价和相对指标都被低估的股票，这种股票的价格最有希望上涨。
❷ 时间序列分析模型——ARIMA模型
姓名：车文扬 学号：16020199006
【嵌牛导读】：什么是 ARIMA模型
【嵌牛鼻子】： ARIMA
【嵌牛提问】： ARIMA模型可以具体应用到什么地方？
【嵌牛正文】：
一、研究目的
传统的经济计量方法是以经济理论为基础来描述变量关系的模型。但经济理论通常不足以对变量之间的动态联系提供一个严密的说明，而且内生变量既可以出现在方程的左端又可以出现在方程的右端使得估计和推断变得更加复杂。为了解决这些问题而出现了一种用非结构方法来建立各个变量之间关系的模型，如向量自回归模型（vector autoregression,VAR）和向量误差修正模型（vector error correction model,VEC）。
在经典的回归模型中，主要是 通过回归分析来建立不同变量之间的函数关系（因果关系），以考察事物之间的联系 。本案例要讨论如何 利用时间序列 数据本身建立模型，以研究事物发展自身的规律 ，并据此对事物未来的发展做出预测。研究时间序列数据的意义：在现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。在现实中很多问题，如利率波动、收益率变化、反映股市行情的各种指数等通常都可以表达为时间序列数据，通过研究这些数据，发现这些经济变量的变化规律（对于某些变量来说，影响其发展变化的因素太多，或者是主要影响变量的数据难以收集，以至于难以建立回归模型来发现其变化发展规律，此时，时间序列分析模型就显现其优势——因为这类模型不需要建立因果关系模型，仅需要其变量本身的数据就可以建模），这样的一种建模方式就属于时间序列分析的研究范畴。而时间序列分析中，ARIMA模型是最典型最常用的一种模型。
二、ARIMA模型的原理
1、ARIMA的含义。 ARIMA包含3个部分，即AR、I、MA。AR——表示auto regression，即自回归模型；I——表示integration，即单整阶数，时间序列模型必须是平稳性序列才能建立计量模型，ARIMA模型作为时间序列模型也不例外，因此首先要对时间序列进行单位根检验，如果是非平稳序列，就要通过差分来转化为平稳序列，经过几次差分转化为平稳序列，就称为几阶单整；MA——表示moving average，即移动平均模型。可见，ARIMA模型实际上是AR模型和MA模型的组合。
ARIMA模型与ARMA模型的区别：ARMA模型是针对平稳时间序列建立的模型。ARIMA模型是针对非平稳时间序列建模。换句话说，非平稳时间序列要建立ARMA模型，首先需要经过差分转化为平稳时间序列，然后建立ARMA模型。
2、ARIMA模型的原理。 正如前面介绍，ARIMA模型实际上是AR模型和MA模型的组合。
AR模型的形式如下：
其中：参数为常数，是阶自回归模型的系数；为自回归模型滞后阶数；是均值为0，方差为的白噪声序列。模型记做——表示阶自回归模型。
MA模型的形式如下：
其中：参数为常数；参数是阶移动平均模型的系数；为移动平均模型滞后阶数；是均值为0，方差为的白噪声序列。模型记做——表示阶移动平均模型。
ARIMA模型的形式如下：
模型记做。为自回归模型滞后阶数，为时间序列单整阶数，为阶移动平均模型滞后阶数。当时，，此时ARIMA模型退化为MA模型；当时，，ARIMA模型退化为AR模型。
3、建立ARIMA模型需要解决的3个问题。 由以上分析可知，建立一个ARIMA模型需要解决以下3个问题：
（1）将非平稳序列转化为平稳序列。
（2）确定模型的形式。即模型属于AR、MA、ARMA中的哪一种。这主要是通过 模型识别 来解决的。
（3）确定变量的滞后阶数。即和的数字。这也是通过 模型识别 完成的。
4、ARIMA模型的识别
ARIMA模型识别的工具为自相关系数（AC）和偏自相关系数（PAC）。
自相关系数： 时间序列滞后k阶的自相关系数由下式估计：
其中是序列的样本均值，这是相距k期值的相关系数。称为时间序列的自相关系数，自相关系数可以部分的刻画一个随机过程的形式。它表明序列的邻近数据之间存在多大程度的相关性。
偏自相关系数： 偏自相关系数是在给定的条件下，之间的条件相关性。其相关程度用偏自相关系数度量。在k阶滞后下估计偏自相关系数的计算公式为：
其中是在k阶滞后时的自相关系数估计值。称为偏相关是因为它度量了k期间距的相关而不考虑k-1期的相关。如果这种自相关的形式可由滞后小于k阶的自相关表示，那么偏相关在k期滞后下的值趋于0。
识别：
AR(p) 模型 的自相关系数是随着k的增加而呈现指数衰减或者震荡式的衰减，具体的衰减形式取决于AR(p)模型滞后项的系数；AR(p)模型的偏自相关系数是p阶截尾的。因此可以通过识别AR(p)模型的偏自相关系数的个数来确定AR(p)模型的阶数p。
MA(q) 模型 的自相关系数在q步以后是截尾的。MA(q)模型的偏自相关系数一定呈现出拖尾的衰减形式。
ARMA(p,q) 模型 是AR(p)模型和MA(q)模型的组合模型，因此ARMA(p,q)的自相关系数是AR(p)自相关系数和MA(q)的自相关系数的混合物。当p=0时，它具有截尾性质；当q=0时，它具有拖尾性质；当p,q都不为0，它具有拖尾性质。
通常，ARMA(p,q)过程的偏自相关系数可能在p阶滞后前有几项明显的 尖柱 ，但从p阶滞后项开始逐渐趋于0；而它的自相关系数则是在q阶滞后前有几项明显的 尖柱 ，从q阶滞后项开始逐渐趋于0。
三、数据和变量的选择
本案例选取我国实际GDP的时间序列建立ARIMA模型，样本区间为1978—2001。数据来源于国家统计局网站上各年的统计年鉴，GDP数据均通过GDP指数换算为以1978年价格计算的值。见表1：
表1：我国1978—2003年GDP（单位：亿元）
年度GDP年度GDP年度GDP
19783605.6198610132.8199446690.7
19794074198711784.7199558510.5
19804551.3198814704199668330.4
19814901.4198916466199774894.2
19825489.2199018319.5199879003.3
19836076.3199121280.4199982673.1
19847164.4199225863.7200089340.9
19858792.1199334500.7200198592.9
四、ARIMA模型的建立步骤
1、单位根检验，确定单整阶数。
由单位根检验的案例分析可知，GDP时间序列为2阶单整的。即d=2。通过2次差分，将GDP序列转化为平稳序列 。利用序列来建立ARMA模型。
2、模型识别
确定模型形式和滞后阶数，通过自相关系数（AC）和偏自相关系数（PAC）来完成识别。
首先将GDP数据输入Eviews软件，查看其二阶差分的AC和PAC。打开GDP序列窗口，点击View按钮，出现下来菜单，选择Correlogram（相关图），如图：
打开相关图对话框，选择二阶差分（2nd difference），点击OK，得到序列的AC和PAC。（也可以将GDP序列先进行二阶差分，然后在相关图中选择水平（Level））
从图中可以看出，序列的自相关系数（AC）在1阶截尾，偏自相关系数（PAC）在2阶截尾。因此判断模型为ARMA模型，且，。即：
3、建模
由以上分析可知，建立模型。首先将GDP序列进行二次差分，得到序列。然后在Workfile工作文件簿中新建一个方程对话框，采用 列表法 的方法对方程进行定义。自回归滞后项用ar表示，移动平均项用ma表示。本例中自回归项有两项，因此用ar(1)、ar(2)表示，移动平均项有一项，用ma(1)表示，如图：
点击确定，得到模型估计结果：
从拟合优度看，，模型拟合效果较好，DW统计量为2.43，各变量t统计量也通过显著性检验，模型较为理想。对残差进行检验，也是平稳的，因此判断模型建立正确。
❸ 怎么从arma的结果图看各个变量的系数
利用以上得出的模型.ARMA模型的检验。最终选取ARIMA(1。给出ARMA模型的模式和实现方法,然后结合具体股票数据揭示股票变换的规律性,模型拟合基本符合。
5.股价预测,首先直接对数据平稳检验,并运用ARMA模型对股票价格进行预测。
选取长江证券股票具体数据进行实证分析
1.数据选取,即可认为残差中没有包含太多信息。在后期,再观察其平稳性,对其残差的AC和Q统计检验发现其残差自相关基本在0附近。
由于时间序列模型往往需要大样本。经检验可以看出AC和PAC皆没有明显的截尾性,尝试用ARMA模型,具体的滞后项p,q值还需用AIC和SC具体确定。
(2)尝试不同模型,根据AIC和SC最小化的原理确定模型ARMA(p。
数据来源:大智慧股票分析软件导出的数据(股价趋势图如下)
从上图可看出有一定的趋势走向,应为非平稳过程,对其取对数lnS,1,所以这里我选取长江证券从09/03。选取ARIMA(1,且Q值基本通过检验,1)模型,定阶和做参数估计后,还应对其残差序列进行检验;20到09,然后对长江证券6月22日、23日、24日股价预测得出预测值并与实际值比较如下。
有一定的误差;06/19日开盘价,即不平稳。
可以看出lnS没有通过检验,也是一个非平稳过程,那么我们想到要对其进行差分。
(2)一阶差分后平稳性检验,ADF检验结果如下,通过1%的显著检验,即数据一阶差分后平稳,波动较大,这里正验证了有研究文章用GARCH方法得出的礼拜一波动大的结果。除了礼拜一的误差大点。可以先生成原始数据的一阶差分数据dls,但相比前期的涨跌趋势基本吻合,这里出现第一个误差超出预想的是因为6月22日正好是礼拜一,没通过检验,前后约三个月,共计60个样本,基本满足ARMA建模要求。
经过多次比较最终发现ARMA(1,1)过程的AIC和SC都是最小的,q)。经多轮比较不同ARMA(p,q)模型,并定阶。
2,明显看出ADF Test Statistic 为-5.978381绝对值是大于1%的显著水平下的临界值的,所以可以通过平稳性检验。
3.确定适用模型.数据平稳性分析。
(1)先观测一阶差分数据dls的AC和PAC图。
先用EVIEWS生成新序列lnS并用ADF检验其平稳性。
(1)ADF平稳性检验,残差不明显存在相关,1。
可以看出差分后,被广泛应用到经济领域预测中,MA或者是ARMA模型,可以得出相对应AIC 和 SC的值,1)模型作为预测模型。并得出此模型的具体表达式为:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4,并观测其相关系数AC和偏自相关系数PAC,以确定其是为AR,ARMA模型较好的解决了非平稳时间序列的建模问题,可以在时间序列的预测方面有很好的表现。借助EViews软件,可以很方便地将ARMA模型应用于金融等时间序列问题的研究和预测方面,为决策者提供决策指导和帮助。当然,由于金融时间序列的复杂性,很好的模拟还需要更进一步的研究和探讨时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值,其他日期的误差皆在接受范围内。
综上所述。ARMA模型是一种最常见的重要时间序列模型
❹ r语言arma-garch怎样预测
原文链接：http://tecdat.cn/?p=20015
本文将说明单变量和多变量金融时间序列的不同模型，特别是条件均值和条件协方差矩阵、波动率的模型。
均值模型
本节探讨条件均值模型。
iid模型
我们从简单的iid模型开始。iid模型假定对数收益率xt为N维高斯时间序列：
请注意，这也可以建模为ETS（A，N，N）状态空间模型：
plot(cbind(std_t, x_trn), main = "基于平方EWMA的包络")
乘法ETS
我们还可以尝试ETS模型的不同变体。例如，具有状态空间模型的乘性噪声版本ETS（M，N，N）：
❺ 怎么用ARMA模型得到未来的预测值
首先要根据实际的输入输出数据，确立ARMA模型的阶数和各阶参数，建立ARMA模型。之后，根据要求设计输入信号，输入ARMA，就可以得到预测结果了。
关键是要建立恰当的ARMA模型，更进一步，要正确处理噪声对建模和预测的影响。
❻ 股票价格的随机游走的含义
“随机游走”（random walk）是指基于过去的表现，无法预测将来的发展步骤和方向。应用到股市上，则意味着股票价格的短期走势不可预知，意味着投资咨询服务、收益预测和复杂的图表模型全无用处。在华尔街上，“随机游走”这个名词是个讳语，是学术界杜撰的一个粗词，是对专业预言者的一种侮辱攻击。若将这一术语的逻辑内涵推向极致，便意味着一只戴上眼罩的猴子，随意向报纸的金融版面掷一些飞镖，选出的投资组合就可与投资专家精心挑选出的一样出色。