股指预测

出自 MBA智库百科(https://wiki.mbalib.com/)

　　股指预测是时间预测，即按时间顺序发生的观测值的集。

　　股票的价格走势直接影响着投资者的经济利益，也影响和反映着国家的宏观经济政策，因而受到人们的广泛关注。股票指数即股票价格指数，是由证券交易所或者金融服务机构编制的表明股市行情变动的一种仅供参考的指示数字，它是一个国家经济形势的综合反映。行情变动的一种仅供参考的指示数字，它是一个国家经济形势的综合反映。由于股票价格的变化无常，投资者必然会遇到投资的风险。对于某一种股票的价格变化，投资者容易了解，但是多种股票的价格综合变化，就不容易理解了，为了解决这一难题，一些金融服务机构利用自己的专业知识编制了股票价格指数，作为股民对股市行业综合行情的理解工具以预测股票市场的动向。投资者依靠指数的升降可以判断出股票价格的变动趋势，因此股指的变化一直受到股民的关注，也是学者研究的热点和重点。

　　近年来我国亦有很多学者应用时间序列模型对中国的股票价格指数进行研究:

　　股票价格的形成及波动不仅受制于各种经济、政治因素，而且受投资心理和交易技术等的影响。“”股票价格的影响因素很多，“股价随业绩调整”是股市不变的原则。但事实上，股票价格不仅与上市公司企业内部财务状况有着密切的相关关系，还与整个股票市场状况乃至整体经济运行状况有关。由于影响股票价格波动的因素众多，使得其预测难于实现。而用传统的回归分析模型来进行预测，不仅复杂而且费用较高，而且由于股票市场的变化，其预测精度并不比时间序列分析方法更精确，而时间序列分析方法模型一般简单，成本较低，特别适用于表面上毫无规律可循的数据。刘红梅以“鞍钢股份”股票价格为例，利用EVIEWS软件对其股票价格建立ARIMA模型，提出了股票价格序列的一步动态预测方法。

　　艾小伟，王有远根据ARIMA(p,d,q)模型的原理和方法,对我国深证成指对数收益率数据进行了建模,在实际计算的过程中,考虑到对数收益率数据比较小的特点,利用矩阵的SVD分解和Moore Penrose广义逆,来求解参数的极小二乘解,以减少中间过程的误差,从而得到比较好的模型。最后,对模型进行了实验仿真,经检验分析结果比较理想。

　　由于我国股票市场每日报酬时间序列的非正态性和厚尾性,且呈现波动集群性,基于正态假设的静态模型存在很大的缺陷,而ARCH类模型具有很好的处理厚尾的能力,能较好的描述股价等金融变量的波动特征。中南大学的尹清非,仇媛媛将GARCH-M模型,引入GARCH(1)-M模型和TARCH(1,1)模型研究了上海股票市场波动性随时间变化的特征，探讨了股票收益和波动之间的动态关系，结果表明，GARCH-M模型能显著提高预测的准确性。

　　万建强、文洲用香港HENSEN指数及其四个组成部分的子指数对ARIMA模型及GATCH模型进行了比较。

　　曹剑、刘璐依然使用ARCH类模型描述了我国上海股市的波动状况，通过分析，得出了非对称的ARCH模型-EGARCH(1,1)模型可以很好的描述上海股票市场的波动状况的结论。

　　事实证明，没有任何一种模型是万能的或绝对最优的，对不同的序列、同一序列的不同时段可能会有不同的模型最适合它。

　　股票市场是经济也是股民心情的“晴雨表”和“报警器”，其作用不仅被广大投资者所关注，也受到“”政府的重视。所谓“凡事预则立，不预则废”。对股票投资者来说，对股市的变化趋势预测与利润的获取有着直接的联系，预测越准确，对风险的防范就越有把握；对上市公司来说，股票指数反映了该公司的经营情况以及未来发展趋势，影响着整个公司的效益，是分析和研究该公司的主要技术指标；对国家的经济发展而言，股票预测研究同样具有重要作用因此对股市的内在价值及预测的研究具有重大的理论意义和应用前景。