基于ARMA模型的股价预测及实证研究
基于ARMA模型的股价分析与预测的实证研究
基于ARMA模型的股价分析与预测的实证研究摘要：本文通过基于ARMA模型的实证研究，对股价进行分析和预测，对于股市投资者提供有价值的参考。
研究选取了某股票作为实证案例，对其股价数据进行建模研究，通过拟合ARMA模型，预测和分析股价变化规律。
结果显示，ARMA模型能够较为准确地预测股价的未来走势，为投资者提供良好的决策依据。
同时，本文也对ARMA模型的优缺点进行讨论，为今后的研究提供参考。
关键词：ARMA模型；股价分析；股价预测；投资决策1. 引言股市波动是投资者关注的焦点。
为了提高投资回报率和减少风险，投资者需要对股票价格进行准确的预测。
传统的技术分析方法仅仅依靠图表形态、指标、趋势等因素进行分析，预测结果难以精确。
因此，本文基于ARMA模型对股票价格进行分析和预测的实证研究，将从数据建模、模型拟合和结果分析三个方面展开。
2. 数据建模本文选取某股票进行实证研究，收集该股票每日的开盘价、最高价、最低价和收盘价数据，共计1000个交易日的数据。
首先，对数据进行平稳性检验，采用ADF检验和KPSS检验，根据检验结果确定差分次数，使得数据平稳。
然后，对平稳数据进行自相关和偏自相关分析，选取合适的滞后阶数p和q。
3. ARMA模型拟合基于所选取的股票数据，采用最小二乘法估计ARMA模型参数。
首先，对于AR模型，通过自相关函数ACF确定滞后阶数p；然后，对于MA模型，通过偏自相关函数PACF确定滞后阶数q。
通过迭代方法，获得最佳ARMA(p, q)模型。
4. 结果分析通过ARMA模型拟合，预测出股票未来一段时间的价格。
可以将ARMA模型得到的预测值与真实值进行对比分析，评估模型的预测能力。
根据误差指标，比如均方根误差、平均绝对百分比误差等，衡量模型预测的准确性。
同时，对模型的残差进行自相关检验和白噪声检验，检验模型是否拟合良好。
5. ARMA模型的优缺点ARMA模型作为一种传统的时间序列分析方法，具有一定的优点和缺点。
基于ARMA模型的上证50股指期货收益率探究
基于ARMA模型的上证50股指期货收益率探究【摘要】本文主要研究基于ARMA模型的上证50股指期货收益率。
首先介绍了ARMA模型的基本概念和原理，然后对上证50股指期货收益率进行了分析。
接着建立了ARMA模型并进行了模型参数估计，最后进行了实证分析验证模型的有效性。
研究发现ARMA模型可以较好地拟合上证50股指期货收益率数据，为投资者提供了一定的参考价值。
在提出了一些启示和建议，为投资者提供更好的决策参考。
本研究的意义在于深入探究了ARMA模型在金融领域的应用，并为投资者提供了一种更加科学的分析方法。
【关键词】ARMA模型、上证50股指期货、收益率、建立模型、参数估计、实证分析、研究发现、启示和建议、金融市场、时间序列分析、量化研究1. 引言1.1 背景介绍股指期货是一种金融衍生品，它可以让投资者在未来获利或承担风险。
在金融市场中，投资者通过分析股指期货的波动情况来制定投资策略，以获取更高的收益。
在股指期货市场中，上证50股指期货是一个重要的指数，代表了上证50只优质上市公司的整体表现。
研究上证50股指期货的收益率波动特征对于投资者制定有效的投资策略至关重要。
在这种背景下，本文将基于ARMA模型对上证50股指期货收益率进行探究，分析其波动特征，并建立相应的ARMA模型进行参数估计和实证分析，以期为投资者提供更加准确的投资建议和预测。
部分就是要介绍这样一个背景和问题，为接下来的研究铺垫。
1.2 研究意义本研究的意义在于深入探究基于ARMA模型的上证50股指期货收益率，对于理解市场波动和预测未来走势具有重要意义。
股指期货是金融市场中的重要衍生品，其价格波动对实体经济和投资者产生重大影响。
通过研究股指期货收益率，可以更好地把握市场脉动，提高投资决策的准确性和效果。
ARMA模型作为时间序列分析的重要工具，在预测金融市场波动方面有着广泛应用。
通过建立ARMA模型，可以揭示股指期货收益率的规律性变化，为投资者提供更科学的投资策略和风险管理手段。
基于ARMA模型对浦发银行股价预测的实证分析 王筱涵.docx
西南民族大学2015—2016学年第2学期2015级硕士生金融市场计量经济学课程期末论文论文名称：基于ARMA模型对浦发银行股价预测的实证分析任课老师：杜红艳开课学院：经济学院课程名称：金融市场计量经济学学院：经济学院专业：金融学学号：跟读姓名：王筱涵2016年7月9日摘要时间序列分析是经济领域运用研究最广泛的工具之一，ARMA模型是一种最常见的时间序列模型。
本文利用ARMA模型，对浦发银行（600000）的每日开盘价格（2015年7月1日，星期三——2016年6月30日，星期四）进行分析，以此预测下一个交易日（2016年7月1日，星期五）的开盘价格，并与真实的开盘价格进行对比。
关键词：时间序列；ARMA模型；股价预测一、引言时间序列分析是从一段时间上的一组时间上的一组属性值数据中发现模式并预测未来值的过程。
ARMA模型是一种用于拟合平稳序列的模型，对于满足有限参数线性模型的平稳时间序列的分析，它用有限参数线性模型描述时间序列的自相关结构，便于进行统计分析与数学处理。
本文从微观角度，利用ARMA模型结合浦发银行数据建立模型并进行预测，多数经济时间序列存在惯性，通过对这种惯性的分析可以由过去和现在值对未来进行预测，对中小投资者的短线投资具有更大的参考意义。
二、实证分析1、数据说明由于时间序列模型往往需要大样本，所以这里我从新浪股票网站获取了浦发银行2015年7月1日至2016年6月30日的开盘价格，总计一年的价格，共262个样本。
由于法定假日以及股票停牌等原因，导致股票价格不完整，所以首先对空缺日期的数据进行补充，处理方法为取前一天的开盘价格为空缺日期当日的开盘价格。
数据来源：新浪财经网站（）2、平稳性检验稳的时间序列；并且回执自相关图和偏自相关图并进行单位根检验，根据向相关图缩减速度很慢以及单位根检验结果统计量的P值大于0.05可以判断该序列为非平稳的。
因为序列是非平稳的时间序列，所以对其取对数并进行一阶差分，然后进行ADF检验，通过1%的显着检验，即数据一阶差分后平稳。
基于ARMA模型的上证指数预测的实证报告
基于ARMA模型的上证指数预测的实证报告基于ARMA模型的上证指数预测的实证报告引言生活中有很多问题都可以看成是时间序列问题，例如银行利率波动、股票收益率变化以及国际汇率变动等问题。
所谓的时间序列问题，是指某一统计对象长时间内的数值变化情况。
在实际应用中，经常会遇到许多不满足平稳性的时间序列数据，尤其是在经济、金融等领域。
因此，能否有效地挖掘非平稳时间序列的有用信息，对于解决一些经济、金融领域的问题显得尤为重要。
目前关于预测股票价格的研究文章有很多，这些已有研究大都采用回归分析、组合预测等方法对股票价格未来变动值进行探讨，得出股票价格在未来短期内的变化趋势及预测值，但预测结果并不非常精准，存在较大的误差。
注模型不仅可用于拟合平稳性时间序列问题，而且对非平稳时间序列问题同样具有良好的拟合效果，尤其是在金融和股票领域应用最为广泛。
本文主要针对2016-04-18 至2017-03-15 （共计222个工作日）期间上证综合指数每日收盘价数据，建立上证综合指数每日收盘价预测模型，采用模型对上证综合指数每日收盘价进行高精度的拟合预测。
研究结果表明，上证综合指数每日收盘价在短期内将保持平稳上涨，不会有大幅涨跌的情况。
研究上证综合指数每日收盘价的短期变动情况了解股票市场变化及制定投资决策具有现实意义，能够为投资者和决策者提供可靠的信息服务及决策指导。
1 ARMA模型的理论介绍及平稳性检验1.1冲（卩熄）模型建模流程1）时间序列的预处理，用斤叮山」」模型预测要求序列必须是平稳的，若所给的序列是非平稳序列，则必须对所给序列做预处理，使其为平稳非白噪声序列。
2）计算出样本自相关系数和偏自相关系数的值。
3）根据样本自相关系数和偏自相关系数，选取适当的」U*模型进行拟合。
4）估计出模型中的未知参数。
5）检验模型的有效性，如果拟合模型通不过检验，转向步骤3，重新选择模型再拟合。
6）模型优化：如果拟合模型通过检验，仍然转向步骤2，充分考虑各种可能，建立多个拟合模型，从所有通过检验的模型中选择最优模型。
基于ARMAARCH模型的百度股票日收益率分析
基于ARMAARCH模型的百度股票日收益率分析ARMAARCH模型是指自回归移动平均模型-自回归条件异方差模型的组合。
在金融领域中，ARMAARCH模型常用于对股票收益率进行分析和预测。
本文以百度股票的日收益率为研究对象，通过ARMAARCH模型对其进行分析。
ARMA模型是一种时间序列分析模型，它可以描述时间序列的自回归和移动平均过程，以及它们之间的线性组合。
ARCH模型是一种条件异方差模型，它表示时间序列的方差是其过去方差和过去误差平方的加权和。
我们需要收集百度股票的日收益率数据，可以通过百度财经等金融网站进行查询和下载。
获得数据后，我们可以绘制收益率的时间序列图，初步了解其走势和特征。
接下来，我们需要对收益率序列进行平稳性检验。
平稳性是ARMA模型建立的前提条件，可以通过单位根检验等方法进行检验。
如果序列存在非平稳性，我们需要进行差分或其他方式的处理，使其变为平稳序列。
然后，我们可以通过自相关函数(ACF)图和偏自相关函数(PACF)图来确定ARMA模型的阶数。
ACF图显示了序列和其滞后版本之间的相关性，PACF图显示了序列和其滞后版本之间的部分相关性。
根据图形分析，我们可以选择适当的AR和MA阶数。
在确定ARMA阶数后，我们需要对序列进行ARCH效应的检验。
ARCH效应是指序列的方差存在异方差性，即方差与时间的变化有关。
可以通过Ljung-Box检验等方法对序列的残差平方序列进行检验。
如果序列存在ARCH效应，我们需要引入ARCH模型来对其进行建模，即ARMAARCH模型。
我们可以使用估计的ARMAARCH模型对未来的百度股票收益率进行预测。
预测方法可以是基于模型的参数估计，也可以是基于蒙特卡洛模拟等方法。
通过预测结果，我们可以进行风险管理、投资决策等方面的分析和应用。
基于ARMAARCH模型的百度股票日收益率分析可以帮助我们了解收益率的走势和特征，进行风险管理和投资决策。
但需要注意的是，ARMAARCH模型仅是对收益率进行建模的一种方法，对于金融市场的复杂性和不确定性仍然需要谨慎对待。
基于ARMA模型的股价分析与预测的实证研究
基于ARMA模型的股价分析与预测的实证研究基于ARMA模型的股价分析与预测的实证研究1.引言随着金融市场的不断发展，股票投资已经成为了许多人获取财富的重要方式之一。
然而，股票市场的复杂性和不确定性使得股票价格的分析与预测变得困难而又重要。
近年来，自回归滑动平均(ARMA)模型作为一种常用的股价预测方法受到了广泛关注。
本文旨在通过实证研究，探讨基于ARMA模型的股价分析与预测的可行性和有效性。
2.背景2.1 ARMA模型的基本原理ARMA模型是一种将自回归(AR)模型和移动平均(MA)模型结合起来的时间序列模型。
AR模型用于描述当前值与前期值之间的相关关系，而MA模型则用于描述当前值与当前误差项值和前期误差项值之间的相关关系。
ARMA模型可以通过拟合历史数据来分析未来的股价走势。
2.2 基于ARMA模型的股价预测方法基于ARMA模型的股价预测方法主要包括两个步骤：模型的拟合和预测的计算。
模型的拟合是指通过对历史数据的分析来确定AR和MA的订单约束，并通过极大似然估计等方法估计模型参数。
预测的计算是指根据已经估计的模型参数，利用模型进行未来股价的预测。
3.数据与模型3.1 数据的获取和预处理本研究选择了某股票市场的历史交易数据作为样本数据。
数据的获取通过收集股票市场的交易数据以及相关财务数据来实现。
数据的预处理包括去除缺失值、平滑数据、标准化等步骤。
3.2 模型的建立与估计在本研究中，首先根据样本数据的特点选择合适的AR和MA的订单约束。
然后，利用极大似然估计等方法来估计ARMA模型的参数，并进行模型的检验和诊断。
4.实证结果与分析本研究在选取了合适的ARMA模型后，进行了参数估计和模型检验。
根据模型的拟合结果，得到了未来股价的预测结果。
通过与实际股价数据的比较，发现拟合程度较好，预测结果较为准确。
5.讨论与改进本研究的实证结果表明，基于ARMA模型的股价分析与预测在一定程度上是可行和有效的。
然而，由于股票市场的高度不确定性，ARMA模型仍然存在一定的局限性。
基于arma模型的上证综合指数分析
基于ARMA模型的上证综合指数分析基于ARMA模型的上证综合指数分析摘要：通过将ARMA模型引入证券市场建立估计与预测模型。
为了满足序列平稳性要求，选用一阶差分后序列作为研究对象。
并以上证综合指数为例，筛选合适的ARMA模型。
检验表明构造的模型满足检验要求，可以以此为依据对相关投资决策提供参考。
关键词：ARMA模型；上证综合指数；时间序列分析对证券市场的分析与预测，目前常用的预测方法有证券投资分析法、神经网络预测方法和时间序列分析方法三种。
其中时间序列方法通过利用历史数据对未来做出估计，对于短期预测有着较好的拟合度，因而广泛运用于证券市场定量分析。
本文通过介绍时间序列方法中ARMA模型，对于上证指数进行回归模拟，阐述这一模型短期预测的有效性，并为投资者理解股票市场运行规律提供帮助。
1. ARMA模型理论框架1.1. 自回归模型p阶自回归模型（Auto Regressive Model）写作AR（P），用于描述序列在某一时刻t与前p个时刻序列之间的线性相关关系。
其表达式为其中是白噪声序列，在t时刻之前序列与序列不相关。
第k个系数表示与在排除了个中间变量之后的相关系数。
这一系列被称作偏自相关函数（Partial Autocorrelation Function）即PACF。
从表达式可以判断，当p为有限个数时，之后的偏自相关系数均为0，则此序列为AR（P）序列。
1.2. 移动平均模型q阶移动平均模型（Moving Average Model）写作MA（q），用于描述序列与一系列白噪声序列之间的线性相关关系。
更进一步说，表现为q个白噪声的线性加权之和。
其表达式为其中是白噪声序列。
在时间序列中，我们用与之间的协方差刻画二者的相关关系，表示为。
当时，称为的方差。
用表示时间序列的自相关系数，，其序列被称作自相关函数（Autocorrelation Function）即ACF。
与自回归模型类似，移动平均模型的自相关系数个数有限。
《2024年基于ARMA模型的股价分析与预测的实证研究》范文
《基于ARMA模型的股价分析与预测的实证研究》篇一一、引言随着科技的进步和大数据时代的到来，金融市场的分析预测方法日趋丰富。
其中，时间序列分析方法以其独特的优势在股价预测领域发挥着重要作用。
本文以ARMA模型为基础，通过对实际股价数据进行实证研究，旨在分析股价的动态变化规律，为投资者提供决策参考。
二、ARMA模型概述ARMA（自回归移动平均）模型是一种常见的时间序列分析方法，主要用于分析具有时间依赖性和随机性的数据。
该模型通过捕捉数据的自回归和移动平均特性，揭示数据间的内在联系和规律。
在股价分析中，ARMA模型能够有效地反映股价的动态变化和趋势。
三、实证研究方法与数据来源（一）方法本文采用ARMA模型对股价进行实证研究。
首先，对股价数据进行预处理，包括数据清洗、平稳性检验等；其次，根据数据的自相关函数图和偏自相关函数图，确定ARMA模型的阶数；最后，利用ARIMA软件对模型进行参数估计和检验，预测未来股价。
（二）数据来源本文选用某股票的日收盘价为研究对象，数据来源于网络爬虫采集的公开信息。
为保证数据的准确性和完整性，对数据进行清洗和处理。
四、实证研究过程与结果分析（一）数据预处理首先，对原始数据进行清洗和处理，包括去除异常值、缺失值等。
其次，进行平稳性检验，若数据不平稳则进行差分处理直至平稳。
本例中，经过一阶差分后，数据达到平稳状态。
（二）模型定阶根据自相关函数图和偏自相关函数图，确定ARMA模型的阶数。
本例中，p阶自回归项和q阶移动平均项的阶数分别为p=3和q=1。
因此，建立的ARMA（3,1）模型较为合适。
（三）模型参数估计与检验利用ARIMA软件对ARMA（3,1）模型进行参数估计和检验。
结果表明，模型的各项指标均达到显著水平，具有较好的拟合效果和预测能力。
（四）结果分析通过对ARMA模型的实证研究，发现该股票的股价具有一定的自回归和移动平均特性。
模型能够较好地反映股价的动态变化和趋势，为投资者提供了有价值的参考信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于ARMA模型的股价预测及实证研究
作者：刘伟龙
来源：《智富时代》2017年第02期
【摘要】在现实中很多问题，如利率波动、收益率变化及汇率变化通常都是一个时间序列。
然而经济时间序列不同于横截面数据存在重复抽样的情况，它是一个随机事件的唯一记录，这个过程是不可重复的。
横截面数据中的随机变量可以非常方便地通过其均值、方差或数据的概率分布加以面熟，但是时间序列中这种描述很不清楚，这就需要用一些特定的计量方法和手段分析其变化规律。
ARMA模型在经济预测过程中即考虑了金融市场、股票市场指标在时间序列上的依存性，又考虑了随机波动你的干扰性，对其指标短期趋势的预测准确率较高，它用有限参数线性模型描述时间的自相关结构，便于进行统计分析与数学处理，因此ARMA 模型是目前常用的用于拟合平稳序列的模型，尤其在金融和股票领域具有重要意义。
本文将利用ARMA模型结合民生银行股票的历史数据建模，并运用该模型对招商银行的股票日收盘价进行预测，从而推断其未来趋势。
【关键词】ARMA模型；金融时间序列；平稳序列；收益率；股价预测
一、ARMA模型的理论介绍
ARMA（p，q）模型是由美国统计学家Box GEP和赢过统计学家Jenkins GM在二十世纪七十年代提出的时间序列分析模型，即自回归移动平均模型，一般的ARMA（p，q）模型的形式可以表示为：
yt=c+Φ1yt-1+Φ2yt-2+...+Φpyt-p+εt+θ1εt-1+θ2εt-2+... +θqεt-q
其中：εt是白噪声序列，p和q是非负整数，AR和MA模型都是ARMA模型的特殊情况，p=0时，ARMA模型为MA（q），q=0时，ARMA模型为AR（p）。
ARMA模型针对的是平稳序列，对于非平稳的时间序列，不能直接用ARMA模型去描述，只有经过某种处理后，产生一个平稳的新序列，才可应用ARMA模型。
对于含有短期趋势的非平稳序列可以进行差分使非平稳序列变成平稳序列。
二、对民生银行的股票日收盘价的实证分析及预测
在wind资讯数据库选取民生银行（600016）的股票日收盘价数据，时间区间为2013/5/22至2016/1/15共计649个样本。
下面旨在利用ARMA模型的建模理论结合软件STATA进行ARMA模型的建立和预测分析。
（一）原始数据的平稳化处理
由于这段时间股市波动较大，通常是不平稳的，需要对原始数据进行处理才能平稳。
首先，通过STATA画出原始数据的时间序列图和一阶查分后的序列图，如下图：
可以看出民生银行这段时间价格是不平稳的（左图），而对原始数据进行差分后的序列图（右图），可以看出大致平稳。
因此需要进一步通过ADF检验，确定一阶差分后的序列是否平稳。
ADF检验，发现其t 统计量绝对值通过百分之1的显著检验。
即数据一阶差分后是平稳的。
至此，即完成了原始数据的平文化处理。
图2为进行一阶差分后的股价时间序列，可以看到其通过ADF检验。
（二）收盘价序列的自相关图和偏相关图识别
观察收盘价的原始数据的自相关图和偏自相关图，发现其自相关衰减缓慢，因此收盘价序列price_ms为非平稳序列。
然而，一阶查分后序列d_price的自相关图和偏相关图都没有明显的截尾性，因此需要使用ARMA模型进行模型的建立，具体的滞后项p，q值还需用AIC准则和T统计量显著性来具体确定。
由于经济变量一般都为3阶以内的ARMA模型，选取了9种模型进行比较，ARMA（2，1，2），ARMA（3，1，3），ARMA（1，1，1），ARMA（1，1，3），ARMA（2，1，3），ARMA（1，1，2），ARMA（3，1，2），ARMA（3，1，1）。
选择考察变量为一阶差分后的序列数据，考察样本的范围为2013/5/22至2016/1/12，留下2016/1/13、2016/1/14、2016/1/15的值用于预测精度。
由以上几个模型的检验结果，综合t 统计量显著性和AIC准则这两项检验指标看，经比较得出：ARIMA（2，1，2）模型中的系数十分显著，且AIC值相对较小，因此利用ARIMA（2，1，2）模型对民生银行的股票日收盘序列进行建模。
（三）收盘价序列模型的建立与估计
根据上面模型的识别与选择，选用ARIMA（2，1，2）作为最佳预测模型，估计该模型的参数及模型的相关检验结果。
结果显示，ARMA（1，1，2）的参数估计中AR（1）、AR （2）和MA（1）、MA（2）的系数具有统计意义，而常数项C并没有显著性，因此除去常数C，对ARIMA（2，1，2）模型再次进行估计和检验。
因此可对其建立模型，其对应的模型表达式为：
D_PRICEt=1.5451D_PRICEt-1-0.9827D_PRICEt-2+-1.53770.9999
式中，为残差序列。
AR（1）、AR（2）、MA（1）和MA（2）的特征根均大于1，故满足平稳性要求。
（四）收盘价序列模型的残差检验
参数估计后，还需要对模型的残差序列进行白噪声检验，若残差序列不是白噪声序列，那么残差序列还存在有用信息没被提取，需要进一步改进模型；如果残差序列的样本自相关系数都落入随机区间内，即没有任何自相关个别地在统计上显著，则可以说残差序列是纯随机的，利用STATA软件，对残差进行检验。
其结果显示概率值都大于0.05，说明所有Q值都小于检验水平为0.05的卡方分布临界值，即已建立的模型的随机误差项是一个白噪声序列，因此该模型的建立是合适的。
（五）对收盘价进行预测分析
下面利用前面已建立好的ARIMA（1，1，2）模型对民生银行股票日收盘价格进行预测，由于股票的价格变动比较大，因此在短期内进行预测可以得到比较好的结果，但是长期预测的效果会有较大的误差。
所以本文主要进行股票价格的短期预测，预测2015/12/24的收盘价格。
由于2016/1/13、2016/1/14、2016/1/15民生银行的收盘价为8.63、8.29、8.5，而通过预测得到的收盘价为8.58、8.57、8.53，误差分别为0.05、0.28、0.03，较为准确。
由此也进一步验证，该模型是较为准确的，对该股票的收盘价预测具有一定意义。
三、结论
本文利用时间序列分析的Box—Jenkin建模思想，对民生银行的股票日开盘价这一时间序列进行模型的建立和实证分析，了解金融市场中股票价格的基本特征。
首先，对样本序列进行平稳性判别；其次，对已识别模型进行估计，由残差检验显示得到的模型是合理的；最后，通过参数的估计值建立相应的模型并计算出序列短期的点预测。
在整个建模的过程中，通过STATA软件可以方便得出序列的模型并且有较高的拟合度。
综上所述，ARMA模型较好地解决了非平稳时间序列的建模问题，借助STATA软件可以方便地将arma模型应用于金融等时间序列问题的研究和预测。
为决策者和投资者提供决策指导。
【参考文献】
[1]邓军，杨宣，王玮等.运用ARMA模型对股价预测的实证研究[J].企业导报，2010（6）
[2]郭雪，王彦波.基于ARMA模型对沪市股票指数的预测[J].Economic&Trade Update，2006
[3]曲媛媛.Box—Jenkin方法在银行市盈率预测中的应用[J].数理统计与管理，2004。