2008-2016年我国上证股票综合指数序列分析及预测
上证指数的运行规律及趋势分析
上证指数的运行规律及趋势分析作者：郭博瑞来源：《市场周刊·市场版》2017年第03期摘要：在对金融证券市场深入研究的基础上，本文从斐波那契序列出发，探讨上证指数运行规律，提出上证指数的“彼得定律”，据此做出上证指数正运行在第Ⅸ波的推论，并对第Ⅸ波高低点的时间及点位做出预测。
关键词：上证指数；斐波那契数列；运行规律；未来趋势上证指数是以上海证券交易所挂牌上市的全部股票为计算范围，以发行量为权数的加权综合股价指数，是国内外普遍采用的反映中国股市总体走势的统计指标。
它的基日定为1990年12月19日。
目前，对证券市场波动性特征的研究已经成为金融研究者关注的对象。
从上证指数历史走势看，高低点位置疏密不一，极难发现周期性规律。
但是，研究上证指数高低点分布规律是一个很有意义的难题，这对研究上证指数运行规律及中国证券市场的发展具有积极作用。
作者通过观察、分析和研究，发现上证指数波段高低点的分布规律与斐波那契数列存有联系。
一、斐波那契数列斐波那契数列，又称黄金分割数列，指这样一个数列：0、1、1、2、3、5、8、13、21、34、…这是一个线性递推数列。
它有如下一些特点：1、从第三项起，数列中任一数字都是由前两个数字之和构成；2、前一数字与后一数字之比，趋近于一固定常数，即0.618；3、后一数字与前一数字之比例，趋近于 1.618；在数学上，斐波那契数列被以递归的方法定义：F（0）=0，F（1）=1，F（n）=F（n-1）+F（n-2）（n≥2，n∈N*）。
依次可得：F（2）=1，F（3）=2，F（4）=3，F（5）=5，F （6）=8，F（7）=13，F（8）=21，F（9）=34，F（10）=55，F（11）=89，…二、上证指数中的“彼得定律”按上证指数月线运行走势，进行波段划分，见图1：图中数字波依次命名为：第Ⅰ波、第Ⅱ波、第Ⅲ波、第Ⅳ波、第Ⅴ波、第Ⅵ波、第Ⅶ波、第Ⅷ波。
每波由升浪和跌浪两部分组成（第Ⅱ波除外）。
基于ARIMA模型的上证指数分析与预测的实证研究
基于ARIMA模型的上证指数分析与预测的实证研究张颖超;孙英隽【摘要】近年来,我国资本市场快速发展,其中股票市场吸引了大量的资金.而股价作为反映企业经济实力、发展水平的重要指标,受到了人们越来越多的关注.上证指数作为一个综合反映股市变动情况的指标,有利于市场参与者对市场进行分析.因此,选取2016年2月1日至2018年10月16日的上证指数收盘价作为研究数据,建立ARIMA模型,对未来的上证指数进行预测和分析,以期为广大投资者提供投资指标,为企业政策决定者提供可靠的依据.【期刊名称】《经济研究导刊》【年(卷),期】2019(000)011【总页数】5页(P131-135)【关键词】ARIMA模型;预测;时间序列;上证指数【作者】张颖超;孙英隽【作者单位】上海理工大学管理学院,上海 200093;上海理工大学管理学院,上海200093【正文语种】中文【中图分类】F830.91引言早在数百年前，随着股份公司这种企业组织形态在资本主义国家诞生，股票就随之诞生。
随着我国资本市场的快速发展，股票市场吸引到大量的资金，受到人们越来越多的关注。
上证指数由上海证券交易所编制，以上海证券交易所挂牌上市的全部股票为计算范围，综合反映了上海证券交易市场的总体走势，能够在一定程度上反映国家的经济发展水平、企业的经济实力，以及广大个人投资者的收入水平，是一个全面的、综合的重要经济衡量指标。
因此，通过对上证指数的短期预测可以为大量投资者提供投资指标，给企业政策决定者可信的依据。
然而，股票市场风云莫测、起起伏伏、波动巨大，很难对其长期走势进行长期精准的预测。
目前，预测股票价格走势的方法多种多样，但是均存在对股票价格的波动拟合效果较差、预测精度有限等问题。
由于时间序列模型具有应用范围广、限制要求低、短期预测准确率高等优点，因此时间序列模型已经成为金融预测领域较流行的预测模型之一。
本文选取2016年2月1日至2018年10月16日的上证指数数据，经过反复测试，建立 ARIMA（4，1，4）模型，对未来进行短期预测。
基于ARIMA模型的上证指数分析与预测的实证研究
基于ARIMA模型的上证指数分析与预测的实证研究作者：张颖超孙英隽来源：《经济研究导刊》2019年第11期摘要：近年来，我国资本市场快速发展，其中股票市场吸引了大量的资金。
而股价作为反映企业经济实力、发展水平的重要指标，受到了人们越来越多的关注。
上证指数作为一个综合反映股市变动情况的指标，有利于市场参与者对市场进行分析。
因此，选取2016年2月1日至2018年10月16日的上证指数收盘价作为研究数据，建立ARIMA模型，对未来的上证指数进行预测和分析，以期为广大投资者提供投资指标，为企业政策决定者提供可靠的依据。
关键词：ARIMA模型;预测;时间序列;上证指数中图分类号：F830.91 ; ; ;文献标志码：A ; ; ;文章编号：1673-291X（2019）11-0131-05引言早在数百年前，随着股份公司这种企业组织形态在资本主义国家诞生，股票就随之诞生。
随着我国资本市场的快速发展，股票市场吸引到大量的资金，受到人们越来越多的关注。
上证指数由上海证券交易所编制，以上海证券交易所挂牌上市的全部股票为计算范围，综合反映了上海证券交易市场的总体走势，能够在一定程度上反映国家的经济发展水平、企业的经济实力，以及广大个人投资者的收入水平，是一个全面的、综合的重要经济衡量指标。
因此，通过对上证指数的短期预测可以为大量投资者提供投资指标，给企业政策决定者可信的依据。
然而，股票市场风云莫测、起起伏伏、波动巨大，很难对其长期走势进行长期精准的预测。
目前，预测股票价格走势的方法多种多样，但是均存在对股票价格的波动拟合效果较差、预测精度有限等问题。
由于时间序列模型具有应用范围广、限制要求低、短期预测准确率高等优点，因此时间序列模型已经成为金融预测领域较流行的预测模型之一。
本文选取2016年2月1日至2018年10月16日的上证指数数据，经过反复测试，建立ARIMA（4，1，4）模型，对未来进行短期预测。
结果表明，该模型能够在短期内比较精确地预测未来的上证指数。
上证综合指数日收盘价的短期预测——基 ARIMA模型的实证分析
Advances in Social Sciences 社会科学前沿, 2016, 5(4), 630-637Published Online September 2016 in Hans. /journal/ass /10.12677/ass.2016.54088文章引用: 周小丽, 吴志雄. 上证综合指数日收盘价的短期预测——基于ARIMA 模型的实证分析[J]. 社会科学前沿,Short Term Forecast of DailyClosing Price of Shanghai Composite Index—Empirical Analysis Based on ARIMA ModelXiaoli Zhou, Zhixiong WuShanghai Maritime University, ShanghaiReceived: Sep. 1st , 2016; accepted: Sep. 15th , 2016; published: Sep. 22nd, 2016Copyright © 2016 by authors and Hans Publishers Inc.This work is licensed under the Creative Commons Attribution International License (CC BY)./licenses/by/4.0/AbstractShanghai stock exchange is one of the two major exchanges, its establishment of the Shanghai Composite Index can effectively respond to changes in the stock price listed on the exchange. Through the establishment of a suitable time series model, it is important to predict and analyze the trend of the index change. By dealing with the historical data and using R to select the model and estimate the parameters, this article achieved the short-term closing price forecasting of the Shanghai Composite Index, and this will provide the relevant reference for the trend analysis of stock market.KeywordsShanghai Composite Index, Times Series, ARIMA Model, Predict上证综合指数日收盘价的短期预测——基于ARIMA 模型的实证分析周小丽，吴志雄上海海事大学，上海周小丽，吴志雄收稿日期：2016年9月1日；录用日期：2016年9月15日；发布日期：2016年9月22日摘 要上海证券交易所作为国内两大交易所之一，它编制的上证综合指数能有效反映在该交易所上市的股票价格的变动情况。
基于上证指数的标准差系数时间序列预测模型分析
基于上证指数的标准差系数时间序列预测模型分析
刘希原
【期刊名称】《吉林金融研究》
【年(卷),期】2013(000)006
【摘要】证券市场的风险可以通过很多种方式测度出来,其中,稳定性是衡量股票市场风险程度的一个重要的指标,而对于稳定性的度量主要是通过方差的计算来实现的.所以通过预测方差就可以提供另一种描述股票市场未来风险的方式.本文通过对上证指数2009年3月到2012年1月每月的全部交易日收盘价的标准差系数进行研究,运用ARIMA时间序列技术,得出预测模型,对未来的标准差系数进行了预测.【总页数】7页(P6-12)
【作者】刘希原
【作者单位】北方工业大学,北京 100144
【正文语种】中文
【中图分类】F832
【相关文献】
1.基于模糊时间序列的预测模型——以上证指数为例 [J], 吴铭峰;蒋勋;
2.基于ARIMA模型对上证指数月度时间序列的分析和预测 [J], 崔远远;文忠桥
3.基于模糊时间序列的预测模型——以上证指数为例 [J], 吴铭峰;蒋勋
4.基于时间序列分析股票上证指数走势 [J], 耿娟娟;孙菊芳
5.基于上证指数收盘价标准差系数的时间序列预测 [J], 刘希原
因版权原因，仅展示原文概要，查看原文内容请购买。
基于ARIMA模型对上证指数月度时间序列的分析和预测
基于ARIMA模型对上证指数月度时间序列的分析和预测崔远远;文忠桥【摘要】股票价格指数的影响因素错综复杂,现阶段影响我国股票价格的主要领域是银行储蓄、债券市场、期货市场、房地产,汇率等,从目前金融学发展的趋势和广大投资者对股票市场众多金融工具迫切的需求来看,通过建立恰当的时间序列模型可以达到对股票价格整体走势进行大致的预测的目的.本文选取了从2011年12月我国加入WTO至2014年7月以来的上证综合指数的月度数据,通过建立ARIMA 模型采用一步向前静态预测的方法对我国股市2014年8月的上证综合指数进行了预测,发现我国2014年前两个季度以来整体股市呈现上升的趋势.本文的创新之处在于对样本数据取了对数,从而消除了时间序列中的自相关和异方差,同时使得预测值接近实际值,效果良好,希望对广大股民提供借鉴参考.【期刊名称】《枣庄学院学报》【年(卷),期】2015(032)002【总页数】5页(P102-106)【关键词】ARIMA(自回归单整移动平均模型);上证综合指数;一步向前静态预测;B-J方法论【作者】崔远远;文忠桥【作者单位】安徽财经大学金融学院,安徽蚌埠233000;安徽财经大学金融学院,安徽蚌埠233000【正文语种】中文【中图分类】F832.5股票价格是国民经济运行的“晴雨表”，它的形成和波动受到国内外各种政治经济的影响，为了更好的研究股票市场的运行，我们可以借助于研究股票指数，股票指数是描述股票市场总的价格水平变化的指标，上证指数由上海证券交易所利用自己的业务知识和熟悉市场的优势编制而成，并且公开发布，具有一定的权威性.投资者据此就可以检验自己投资的效果，并用以预测股票市场的动向.同时，新闻界、公司老板乃至政界领导人等也以此为参考指标，来观察、预测社会政治、经济发展形势.由于股票价格变幻莫测，运用传统时间序列难以进行描述而且耗时耗力［1］.因此我们可以采用ARIMA模型，它是一种精度较高的时序短期预测方法，通过该模型对上证综合指数进行研究，能够更本质的认识其结构与特征，以达到方差最小意义下的最优预测［2］.1.1 ARIMA模型的理论内涵所谓ARIMA模型，是将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型.如果时间序列(1)则称该时间序列(p，q)阶的自回归移动平均模型，记为ARMA(p，q).金融时间序列中大多数都不平稳，我们通过一次或者多次差分的方法将其转变为平稳时间序列.如果序列{}经过d次差分后得到平稳时间序列，并运用了ARMA(p，q)过程对建立模型，则称为(p，d，q)阶自回归单整移动平均过程，简称ARIMA.1.2 运用B-J方法论对ARIMA进行建模步骤1.2.1 模型识别首先对模型进行平稳性检验，若不平稳则对其进行差分，差分n次则d=n，然后再根据观察已经平稳的序列的自相关图和偏自相关图并分析其拖尾及截尾情况，确定自回归阶数p和移动平均阶数q.1.2.2 模型估计当上述合适的d，p，q已经得到确认后，接下来运用OLS法或者极大似然估计法来进一步估计和移动平均系数.1.2.3 模型检验模型估计后应该对模型的适合性进行检验.为了判断残差序列是否随机，可以采用检验.若通过检验，则认可所估计的模型，否则则需要从第一步重新开始.同时为了更好地拟合数据则是在模型中增加滞后项，然后根据AIC和SC原则进行判断.本文以上证综合指数的月度收盘价格作为研究对象，选取了从2001年12月11日我国加入WTO至2014年7月14日的月度收盘价格(剔除了不交易的日期)共计152个数据，满足了股价指数研究大样本的需求，运用ARIMA模型建模，数据来源于大智慧网站下载后输入EVIEWS6.0实现建模分析［3］.2.1 识别时间序列数据的平稳性为了消除或者减少时间序列中存在的自相关和异方差的情况，同时不影响模型分析结果，对所有的数据取对数.设2001年12月为第一个月度收盘价，2002年1月为第二个月度收盘价，依次类推，将上证指数第t个月度收盘价记为，图1为取对数后自2001年12月以来的月度数据趋势图.从图1可以粗略的看出，该时间序列明显不符合零均值同方差的假定，于是对其进行ADF检验.由图2可知，检验t统计量是-2.3389，大于显著性水平为10%的临界值，所以序列存在单位根，是非平稳的，于是对其进行一阶差分.将一阶差分后的序列定为，由图3可以看出因而确定d=1.2.2 根据一阶差分后平稳时间序列定阶B-J方法论认为可根据时间序列模型自相关函数和偏自相关函数图进行识别，建立相应的ARMA模型，若某序列的自相关函数(AC)和偏自相关函数(PAC)都是拖尾的，则可以把该序列设为ARMA(p，q)过程［4］.下面我们来观测序列的自相关和偏自相关图:从图2我们可以清楚地看到自相关函数和偏自相关函数都是拖尾的，它们都从第二阶和第四阶开始大幅度下降.故可以设p=q=2或者p=q=4.经过比较可知，ARIMA (2，1，2)模型中的AR(1)项的系数估计值对应的概率0.1788在10%的显著性水平下无法通过检验，故舍去.而ARIMA(4，1，4)模型的参数在在1%的水平下完全显著，这恰好符合ARMA(p，q)过程的平稳条件.同时ARIMA(4，1，4)中的AIC=-2.2032＜ARIMA (2，1，2)中的AIC=-2.1526，从而也符合ARIMA信息准则.综上可知，该模型最终设定为ARIMA(4，1，4).2.3 残差的检验接下来对该ARIMA(4，1，4)模型的残差序列进行白噪声检验，检验的检验标准包括Q统计量和检验对应的概率.检验结果如图3.从图3可以看出自相关(AC)系数的绝对值几乎都小于0.1，在零假设下，Q统计量服从分布，其中m是最大滞后期，因为样本容量n=152，可以令m=√152≈12，此时QStat=12.956，当p=q=4时，在显著性水平=0.1时，查分布表可知，(12-4-4)== 13.277＞Q-Stat=12.956，则不能拒绝残差序列相互独立的原假设，检验通过，接受原假设，即残差序列是纯随机的白噪声过程.2.4 模型的拟合和预测本模型的预测就是根据时间序列历史数据，建立ARIMA模型对未来一段时间的数据进行预测，现在ARIMA建模方法之所以在各个领域得到广泛应用，很大程度是其在预测方面的成功，尤其是短期预测方面.本文采用一步向前静态预测，即每预测一次，用真实值代替实际值，加入到估计区间，再进行向前一步预测.由于本文使用的是月度数据截止到2014年7月，采用一步向前静态预测只能预测一期的值即8月的收盘价.由于本模型中对样本数据取了对数，为了更好的观察真实值和预测值的差距，通过科学计算器我们求出其原值:由表3可知，该模型拟合的绝对误差和绝对百分比误差较小，因此该模型的拟合结果较好，可以用来预测，且对8月份的预测较为准确，误差较小.3.1 模型的分析从上述的拟合和预测可以得出，ARIMA模型采用静态一步向前的方法可以较好的进行短期预测.从所建立的模型可以看出，上证指数在2014年4月至2014年8月以来虽然有涨有跌，但是总体呈现逐渐上升的趋势［6］.这可能得益于以下几个方面的原因:首先，我国经济基本面依然较好.从消费方面看，对文化、教育、医疗、养老和旅游等服务类需求增长迅猛，网上购物等新兴业态的发展则有力地促进消费潜能的释放.从投资看，我国在城市轨道交通、环境治理、城市排水和农村基础设施等方面存在着极为迫切的需求.其次，外部环境趋于改善，今年以来，全球经济复苏在波动中逐步加强，美国经济的好转将对其他发达国家乃至全球经济产生较大带动作用，随着欧盟各个国家间加强交流合作，欧洲主权债务危机的不良影响正在逐步消除.再次，市场预期转好.今年以来，我国通胀压力持续缓解，价格总水平(CPI)处于调控目标3.5%以内，目前企业家信心普遍回升，投资意愿上升，采购活动加快.3.2 模型的展望尽管ARIMA模型在非平稳时间序列的预测方面有很好的表现，但是该模型仅仅在短期预测方面有一定的可行性，而对长期趋势就会表现出很大的局限性，预测的偏差较大，结果失真.并且该模型只是考虑了时间序列本身的特性，而忽视了其他更为复杂的外部因素的影响，所以难以对变化多端的股票市场的长期趋势进行精确地刻画.总体来说，该模型还是可以对大盘指数实现短期预测，进而为广大投资者提供投资决策的依据.【相关文献】［1］吴小强，吕文龙.股票价格指数的趋势预测——基于上证指数数据的时间序列分析［J］.金融经济:下半月，2012 (10):80-82.［2］旷芸，梁宗经.基于ARIMA模型的标准普尔S＆P500指数预测分析［J］.现代商贸工业，2012，24(14):100-102.［3］刘云.ARIMA对我国上证指数的预测研究［J］.现代商贸工业，2012，24(16):97-98. ［4］严敏，胡志明.基于ARIMA模型对上证指数的实证分析［J］.经营管理者，2013，21:076. ［5］徐珍，李星野.小波ARMA模型和ARIMA模型对上证指数的预测效果探究［J］.现代商业，2012(30):32-33.。
良山老牙：2016年A股走势预测
良山老牙：2016年A股走势预测
2014年3月，本博发表博文《下降通道》，第一次开始尝试对未来2——3年的长期走势进行预测，其中预测：2014年7月或9月起，将有一波跨年度的B浪反弹，对于这个预测，估计当时没多少人信，本博自己也没当回事，毕竟还是属于试错验证阶段。
令人没想到的是，预测竟然应验了。
受到2014年预测成功的鼓舞，2015年3月，本博又发表博文《2015年A股走势预测》，继续对一年的长期走势进行预测，其中预测：反弹将在2015年4月或6月后见顶，其后存在系统性风险。
实际走势证明：本次预测，虽然个别细节上存在瑕疵，但整体上仍然非常成功。
对于本次的预测，本博坚定的信以为真了，因此总体上得以躲过股灾1.0、2.0、3.0，毫发无损。
时间过得很快，一下就到了2016年，本博开始第3次的长期走势预测，下图是本人对2016年A股全年走势的预测，仅供参考。
本博去年11月的博文《月线操作启示录》中，已经提前预测了大盘将会从2015年11月下跌到今年3月，这个预测已经大致应验。
2016年的月线上，让众多博友失望的是，本博掌握的的时间点比较少，只能知道3月低点，5月高点，6月低点，8月低点，10月低点，其中对8月的高低性质把握性一般。
之所以本博对2016年A股的走势充满信心，是因为起自3月份，存在一个神秘的数字X，这个X周期，已经连续3次走成了单边走势，本次如果X周期依然成立，那么又将是一个跨年度的反弹。
具体到走势上，3月将反弹到5月，然后下跌到6月，8月和10月预计都是上升中继的走势，6月将一路上涨到12月。
总体上看，本人觉得2016年A股走势相当乐观，在3月或6月后，存在系统性机会。
基于Markov链的上证综合指数分析与预测
基于Markov链的上证综合指数分析与预测
张焕娟
【期刊名称】《中国商界》
【年(卷),期】2009(000)012
【摘要】选取2008年1月4日-2008年12月19日上证综合指数的50个周数据,通过建立Markov链模型对上证综合指数的波动特征及其走势进行分析与预测.结果表明,上证综合指数在短期内会保持相对稳定,中长期存在小幅升值的可能.【总页数】1页(P69-69)
【作者】张焕娟
【作者单位】江西财经大学金融与统计学院
【正文语种】中文
【中图分类】F832
【相关文献】
1.基于Markov链的人民币汇率分析与预测 [J], 吴诣民;成明峰
2.基于Markov链的上证综合指数分析与预测 [J], 张焕娟
3.上证综合指数的统计分析与预测 [J], 查正洪
4.基于ES-Markov模型的港口集装箱季度吞吐量分析与预测 [J], 王振振; 苌道方; 朱宗良; 罗天
5.对上证综合指数的Markov过程分析──兼涨跌力度指标的提出与应用 [J], 王波因版权原因，仅展示原文概要，查看原文内容请购买。