1. 怎麼做股票模型
我也曾今也想到過這個問題。但是，告訴你一個不幸的消息，股票不可以用模型製作，我以前試過用指數模型和高斯分布做過，但後來去給一個博士談到這個問題的時候。最終達成一致共識，股票不能建立模型。只能在股票和其他衍生工具之間建立交易模型，例如capm，b-s模型。如果是老師布置的作業，你就給她說，不能建立模型。
2. 股票終端哪個好
在數據終端的世界裡，Wind、iFind和Choice猶如三巨頭競技，各自閃耀著獨特的光芒。作為資深的投研人員，我一直在探尋它們各自的強大之處，尤其是在二級和一級半市場領域。今天，讓我們一起深入探討這三者的強項和差異。首先，Wind以其強大的行業中心功能脫穎而出。它能迅速提供行業概覽，揭示行業位置和驅動因素，對於初步了解行業無疑是個極佳入口。然而，行業深度分析可能略顯不足，子行業覆蓋和深度挖掘方面還有待提升。但不可否認，這對於快速了解行業大環境是極其有價值的。
說到Excel插件，Wind的模板豐富且實用，盡管更新速度相對較慢，但對新手和研究不深的用戶來說，這無疑是一個巨大的優勢。同花順雖然模板較少，但對於熟悉Excel建模技巧的用戶，其功能並無本質差別，都能創造出個性化的解決方案。同花順的F10功能，提供公司全方位信息，而F9則能滿足更深度的數據查詢需求。
Wind的PE/VC庫是其特色，包含preipo行情資料和股權投資並購案例，盡管非上市數據可能存在誤差，但其參考價值不可小覷。而同花順在這方面則略顯不足，如果能加入此類功能，將更加完善。
在用戶體驗上，同花順的回測功能簡潔易用，雖不如專業工具復雜精準，但對於金融機構終端用戶來說，滿足日常需求已綽綽有餘，體現了人性化設計。而Wind與機構合作緊密，通過3C會議等服務，顯示出其在機構用戶市場的優勢。
價格和客戶服務也是選擇的重要因素。IFIND以其親民的價格和接地氣的特性吸引了不少用戶，而Wind的客服聲譽雖有波動，但整體上依然保持在較高的水準。在決定使用哪一終端時，你會更看重服務質量，尤其是區域客服的響應速度和態度，以及終端的價格性價比。
總結來說，Wind、iFind和Choice各有千秋。Wind在深度分析和機構合作上略勝一籌，同花順則在用戶友好性和價格上更具吸引力。選擇哪個，取決於你的具體需求和偏好，是功能的全面性，還是服務的貼心，亦或是價格的親民，都值得你深入考慮。
3. 收費的股票軟體中哪個最好
收費炒股軟體國內比較知名的就是大智慧、益盟操盤手、同花順。用的都是L2數據，上交所深交所授權的好像就這三家。作為半個業內人士，我可以告訴你收費炒股軟體的確有用。
L2也能看到資金動向，現在市面上做得比較好的像大智慧、操盤手，都是拿到L2數據後，根據一定的演算法，還原資金流向來追蹤主力的。每套L2軟體當然要收錢的，因為免費肯定看不到這些。
我也算是老股民了，技術面基本面資金面都研究過，憑良心講資金為王。我認識個上海財大教金融的教授，他跟我說研究了10年中國的股市，通過技術基本面來分析連數學建模都用上了，結果就是沒規律可循。以我們的水平，就通過財經新聞F10研究基本面、學技術分析畫線什麼的，這輩子也趕不上他吧，他都說沒規律可循，你覺得你能找得到嗎？
所以還是得靠資金，因為資金最真實，買了賣了成交數據在那呢，當然你得找個靠譜的有授權的軟體來看數據。實戰觀察來看，操盤手的數據准確性還是蠻高的，CCTV的財經頻道還有第一財經這類比較權威的媒體都在用他們家的數據。像大單比率、資金博弈這些功能也都比較實用。
不過再有用的東西，不會用也是白搭！任何收費炒股軟體都要你用透了。
4. 股票模型的建模過程
模型准備 ：了解個股的實際背景，明確其實際意義，掌握對象的各種信息。用數學語言來描述問題。
模型假設 ：根據實際對象的特徵和建模的目的，對問題進行必要的簡化，並用精確的語言提出一些恰當的假設。
模型建立 ：在假設的基礎上，利用適當的數學工具來刻劃各變數之間的數學關系，建立相應的數學結構。（盡量用簡單的數學工具）
模型求解 ：利用獲取的數據資料，對模型的所有參數做出計算（估計）。
模型分析 ：對所得的結果進行數學上的分析。
模型檢驗 ：將模型分析結果與實際情形進行比較，以此來驗證模型的准確性、合理性和適用性。如果模型與實際較吻合，則要對計算結果給出其實際含義，並進行解釋。如果模型與實際吻合較差,則應該修改假設，在次重復建模過程。
模型應用 ：應用方式因問題的性質和建模的目的而異。
5. 股票量化交易是程序化交易嗎
是程序化交易.但前提是使用者,得有一定的計算機編程能力,但這不需要太復雜的編程邏輯,很多軟體都帶公式管理器,就是為一些喜歡程序化的用戶提供的.
6. 如何用Arma模型做股票估計
時間序列分析是經濟領域應用研究最廣泛的工具之一,它用恰當的模型描述歷史數據隨時間變化的規律,並分析預測變數值。ARMA模型是一種最常見的重要時間序列模型,被廣泛應用到經濟領域預測中。給出ARMA模型的模式和實現方法,然後結合具體股票數據揭示股票變換的規律性,並運用ARMA模型對股票價格進行預測。
選取長江證券股票具體數據進行實證分析
1.數據選取。
由於時間序列模型往往需要大樣本,所以這里我選取長江證券從09/03/20到09/06/19日開盤價,前後約三個月,共計60個樣本,基本滿足ARMA建模要求。
數據來源:大智慧股票分析軟體導出的數據(股價趨勢圖如下)
從上圖可看出有一定的趨勢走向,應為非平穩過程,對其取對數lnS,再觀察其平穩性。
2.數據平穩性分析。
先用EVIEWS生成新序列lnS並用ADF檢驗其平穩性。
(1)ADF平穩性檢驗,首先直接對數據平穩檢驗,沒通過檢驗,即不平穩。
可以看出lnS沒有通過檢驗,也是一個非平穩過程,那麼我們想到要對其進行差分。
(2)一階差分後平穩性檢驗,ADF檢驗結果如下,通過1%的顯著檢驗,即數據一階差分後平穩。
可以看出差分後,明顯看出ADF Test Statistic 為-5.978381絕對值是大於1%的顯著水平下的臨界值的,所以可以通過平穩性檢驗。
3.確定適用模型,並定階。可以先生成原始數據的一階差分數據dls,並觀測其相關系數AC和偏自相關系數PAC,以確定其是為AR,MA或者是ARMA模型。
(1)先觀測一階差分數據dls的AC和PAC圖。經檢驗可以看出AC和PAC皆沒有明顯的截尾性,嘗試用ARMA模型,具體的滯後項p,q值還需用AIC和SC具體確定。
(2)嘗試不同模型,根據AIC和SC最小化的原理確定模型ARMA(p,q)。經多輪比較不同ARMA(p,q)模型,可以得出相對應AIC 和 SC的值。
經過多次比較最終發現ARMA(1,1)過程的AIC和SC都是最小的。最終選取ARIMA(1,1,1)模型作為預測模型。並得出此模型的具體表達式為:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的檢驗。選取ARIMA(1,1,1)模型,定階和做參數估計後,還應對其殘差序列進行檢驗,對其殘差的AC和Q統計檢驗發現其殘差自相關基本在0附近,且Q值基本通過檢驗,殘差不明顯存在相關,即可認為殘差中沒有包含太多信息,模型擬合基本符合。
5.股價預測。利用以上得出的模型,然後對長江證券6月22日、23日、24日股價預測得出預測值並與實際值比較如下。
有一定的誤差,但相比前期的漲跌趨勢基本吻合,這里出現第一個誤差超出預想的是因為6月22日正好是禮拜一,波動較大,這里正驗證了有研究文章用GARCH方法得出的禮拜一波動大的結果。除了禮拜一的誤差大點,其他日期的誤差皆在接受范圍內。
綜上所述,ARMA模型較好的解決了非平穩時間序列的建模問題,可以在時間序列的預測方面有很好的表現。藉助EViews軟體,可以很方便地將ARMA模型應用於金融等時間序列問題的研究和預測方面,為決策者提供決策指導和幫助。當然,由於金融時間序列的復雜性,很好的模擬還需要更進一步的研究和探討。在後期,將繼續在這方面做出自己的摸索。