1. 怎么做股票模型
我也曾今也想到过这个问题。但是，告诉你一个不幸的消息，股票不可以用模型制作，我以前试过用指数模型和高斯分布做过，但后来去给一个博士谈到这个问题的时候。最终达成一致共识，股票不能建立模型。只能在股票和其他衍生工具之间建立交易模型，例如capm，b-s模型。如果是老师布置的作业，你就给她说，不能建立模型。
2. 股票终端哪个好
在数据终端的世界里，Wind、iFind和Choice犹如三巨头竞技，各自闪耀着独特的光芒。作为资深的投研人员，我一直在探寻它们各自的强大之处，尤其是在二级和一级半市场领域。今天，让我们一起深入探讨这三者的强项和差异。首先，Wind以其强大的行业中心功能脱颖而出。它能迅速提供行业概览，揭示行业位置和驱动因素，对于初步了解行业无疑是个极佳入口。然而，行业深度分析可能略显不足，子行业覆盖和深度挖掘方面还有待提升。但不可否认，这对于快速了解行业大环境是极其有价值的。
说到Excel插件，Wind的模板丰富且实用，尽管更新速度相对较慢，但对新手和研究不深的用户来说，这无疑是一个巨大的优势。同花顺虽然模板较少，但对于熟悉Excel建模技巧的用户，其功能并无本质差别，都能创造出个性化的解决方案。同花顺的F10功能，提供公司全方位信息，而F9则能满足更深度的数据查询需求。
Wind的PE/VC库是其特色，包含preipo行情资料和股权投资并购案例，尽管非上市数据可能存在误差，但其参考价值不可小觑。而同花顺在这方面则略显不足，如果能加入此类功能，将更加完善。
在用户体验上，同花顺的回测功能简洁易用，虽不如专业工具复杂精准，但对于金融机构终端用户来说，满足日常需求已绰绰有余，体现了人性化设计。而Wind与机构合作紧密，通过3C会议等服务，显示出其在机构用户市场的优势。
价格和客户服务也是选择的重要因素。IFIND以其亲民的价格和接地气的特性吸引了不少用户，而Wind的客服声誉虽有波动，但整体上依然保持在较高的水准。在决定使用哪一终端时，你会更看重服务质量，尤其是区域客服的响应速度和态度，以及终端的价格性价比。
总结来说，Wind、iFind和Choice各有千秋。Wind在深度分析和机构合作上略胜一筹，同花顺则在用户友好性和价格上更具吸引力。选择哪个，取决于你的具体需求和偏好，是功能的全面性，还是服务的贴心，亦或是价格的亲民，都值得你深入考虑。
3. 收费的股票软件中哪个最好
收费炒股软件国内比较知名的就是大智慧、益盟操盘手、同花顺。用的都是L2数据，上交所深交所授权的好像就这三家。作为半个业内人士，我可以告诉你收费炒股软件的确有用。
L2也能看到资金动向，现在市面上做得比较好的像大智慧、操盘手，都是拿到L2数据后，根据一定的算法，还原资金流向来追踪主力的。每套L2软件当然要收钱的，因为免费肯定看不到这些。
我也算是老股民了，技术面基本面资金面都研究过，凭良心讲资金为王。我认识个上海财大教金融的教授，他跟我说研究了10年中国的股市，通过技术基本面来分析连数学建模都用上了，结果就是没规律可循。以我们的水平，就通过财经新闻F10研究基本面、学技术分析画线什么的，这辈子也赶不上他吧，他都说没规律可循，你觉得你能找得到吗？
所以还是得靠资金，因为资金最真实，买了卖了成交数据在那呢，当然你得找个靠谱的有授权的软件来看数据。实战观察来看，操盘手的数据准确性还是蛮高的，CCTV的财经频道还有第一财经这类比较权威的媒体都在用他们家的数据。像大单比率、资金博弈这些功能也都比较实用。
不过再有用的东西，不会用也是白搭！任何收费炒股软件都要你用透了。
4. 股票模型的建模过程
模型准备 ：了解个股的实际背景，明确其实际意义，掌握对象的各种信息。用数学语言来描述问题。
模型假设 ：根据实际对象的特征和建模的目的，对问题进行必要的简化，并用精确的语言提出一些恰当的假设。
模型建立 ：在假设的基础上，利用适当的数学工具来刻划各变量之间的数学关系，建立相应的数学结构。（尽量用简单的数学工具）
模型求解 ：利用获取的数据资料，对模型的所有参数做出计算（估计）。
模型分析 ：对所得的结果进行数学上的分析。
模型检验 ：将模型分析结果与实际情形进行比较，以此来验证模型的准确性、合理性和适用性。如果模型与实际较吻合，则要对计算结果给出其实际含义，并进行解释。如果模型与实际吻合较差,则应该修改假设，在次重复建模过程。
模型应用 ：应用方式因问题的性质和建模的目的而异。
5. 股票量化交易是程序化交易吗
是程序化交易.但前提是使用者,得有一定的计算机编程能力,但这不需要太复杂的编程逻辑,很多软件都带公式管理器,就是为一些喜欢程序化的用户提供的.
6. 如何用Arma模型做股票估计
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。ARMA模型是一种最常见的重要时间序列模型,被广泛应用到经济领域预测中。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,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。
由于时间序列模型往往需要大样本,所以这里我选取长江证券从09/03/20到09/06/19日开盘价,前后约三个月,共计60个样本,基本满足ARMA建模要求。
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,再观察其平稳性。
2.数据平稳性分析。
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,首先直接对数据平稳检验,没通过检验,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。
可以看出差分后,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,并定阶。可以先生成原始数据的一阶差分数据dls,并观测其相关系数AC和偏自相关系数PAC,以确定其是为AR,MA或者是ARMA模型。
(1)先观测一阶差分数据dls的AC和PAC图。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,q)。经多轮比较不同ARMA(p,q)模型,可以得出相对应AIC 和 SC的值。
经过多次比较最终发现ARMA(1,1)过程的AIC和SC都是最小的。最终选取ARIMA(1,1,1)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.ARMA模型的检验。选取ARIMA(1,1,1)模型,定阶和做参数估计后,还应对其残差序列进行检验,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,且Q值基本通过检验,残差不明显存在相关,即可认为残差中没有包含太多信息,模型拟合基本符合。
5.股价预测。利用以上得出的模型,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,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,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,其他日期的误差皆在接受范围内。
综上所述,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。在后期,将继续在这方面做出自己的摸索。