通过回归分析预测股票走势
股票回归分析
股票回归分析股票回归分析（Stock Regression Analysis）是股票市场中的一种重要分析方法，通过对股票价格的回归分析可以预测股票的价格走势，帮助股民做出更精准的投资决策。
一、股票回归分析的基本原理股票回归分析的基本原理是建立一个基于历史数据的数学模型，以预测未来股票价格的变化趋势。
它主要依赖于统计学中的回归分析方法，通过对历史股票价格和市场因素之间的关系进行分析，建立起一个能够反映这种关系的数学模型，以预测未来的股票价格。
二、股票回归分析的步骤股票回归分析的步骤主要包括：选取基准指数、确定因变量和自变量、求解回归公式、检验假设、分析结果。
1. 选取基准指数选取合适的基准指数是进行股票回归分析的第一步。
基准指数是指在股票回归分析中用来代表股票市场状态的一个指标，如上证指数、深证成指、恒生指数等。
不同的基准指数代表着不同的市场状态，需要根据分析的目的和所处的市场环境来选取合适的基准指数。
2. 确定因变量和自变量在进行股票回归分析时，需要确定因变量和自变量。
因变量是指所要预测的股票价格的变化趋势，自变量是指可能与股票价格变化有关的因素，如宏观经济、行业走势、公司业绩等。
通常情况下，应选取与股票价格变化相关性比较高的自变量进行回归分析。
3. 求解回归公式求解回归公式是股票回归分析的核心内容。
它主要是通过统计学中的回归方程求解方法，建立起一个数学模型，可以用来预测股票价格的变化趋势。
回归方程的求解通常需要使用计量经济学软件，如SPSS、EViews等。
4. 检验假设完成回归分析后，需要对回归方程进行检验，以评估回归方程的拟合程度和预测能力。
检验假设的方法通常包括均方根误差、决定系数、t检验、F检验等。
5. 分析结果最后，通过对回归分析结果的综合分析，可以对股票价格走势进行预测，并为股民提供投资建议。
需要注意的是，股票回归分析只是一种辅助工具，不能完全代替投资者的判断和决策。
三、股票回归分析的应用股票回归分析在股票市场中有着广泛的应用。
使用回归分析进行趋势预测
使用回归分析进行趋势预测随着数据科学和机器学习的快速发展，回归分析成为了一种广泛应用于趋势预测的强大工具。
回归分析是一种统计学方法，通过分析自变量和因变量之间的关系，来预测未来的趋势。
回归分析基于一个基本假设：自变量和因变量之间存在着某种线性关系。
这意味着，当自变量发生变化时，因变量也会相应地发生变化。
通过收集足够的数据样本，我们可以建立一个数学模型，来描述这种关系。
这个模型可以用来预测未来的趋势。
在回归分析中，自变量通常是影响因变量的因素，而因变量是我们想要预测的趋势。
例如，如果我们想要预测未来一年的销售额，自变量可以是广告投入、市场规模等因素，而因变量就是销售额。
通过回归分析，我们可以找到自变量与因变量之间的关系，并使用这个关系来预测未来的销售额。
回归分析的核心是建立一个合适的数学模型。
最简单的回归模型是一元线性回归，即只有一个自变量和一个因变量之间的关系。
但在实际应用中，往往存在多个自变量和一个因变量之间的复杂关系。
这时，我们可以使用多元线性回归模型来建立更准确的预测模型。
在建立回归模型之前，我们首先需要收集足够的数据样本。
这些数据样本应该包含自变量和因变量的观测值。
通过对这些数据进行分析，我们可以找到最佳的回归模型。
常用的回归模型评估指标包括决定系数（R-squared）、均方误差（MSE）等。
这些指标可以帮助我们评估模型的拟合程度和预测准确度。
一旦建立了回归模型，我们就可以使用这个模型来进行趋势预测。
通过输入未来的自变量值，模型可以给出相应的因变量预测值。
这些预测值可以帮助我们了解未来的趋势，并做出相应的决策。
除了线性回归，还有其他类型的回归模型可以用于趋势预测。
例如，多项式回归可以用于描述自变量和因变量之间的非线性关系。
逻辑回归可以用于预测二元变量的趋势。
这些模型都有各自的优缺点，根据具体问题的特点选择适合的模型非常重要。
回归分析在各个领域都有广泛的应用。
在金融领域，回归分析可以用于预测股票价格、汇率等趋势。
通过回归分析预测股票走势
通过回归分析预测股票走势回归分析是统计学中一种常用的分析方法，它可以用来预测股票走势。
股票走势的预测对于投资者来说是非常重要的，因为它可以帮助他们做出更明智的投资决策。
在这篇文章中，我们将介绍如何使用回归分析来预测股票走势，并且通过实际案例来说明其应用方法。
让我们简单了解一下回归分析的基本原理。
回归分析是一种用来研究因变量和自变量之间关系的统计方法。
在股票走势的预测中，我们可以将股票的价格作为因变量，而影响股票价格的各种因素（例如市场指数、行业走势、公司业绩等）作为自变量。
通过对这些因素进行回归分析，我们可以找出它们与股票价格之间的关系，并且用来预测未来股价的走势。
在实际操作中，我们可以利用统计软件（如SPSS、R等）来进行回归分析。
我们需要将收集到的数据导入到软件中，然后设置因变量和自变量，进行回归分析并生成回归模型。
通过这个模型，我们可以得出未来股价的预测结果，并且评估这个预测模型的准确性。
如果模型准确度较高，我们就可以利用它来做出相应的投资决策。
需要注意的是，虽然回归分析可以帮助我们预测股票走势，但股市是一个高度复杂和不确定的市场，股价受到许多因素的影响，预测股票走势并不是一件简单的事情。
在进行股票投资时，我们还需要考虑其他因素，如公司基本面、市场行情、宏观经济形势等，综合考量才能作出更准确的投资决策。
通过回归分析来预测股票走势是一种有效的方法，它可以帮助投资者更好地理解股价与各种因素之间的关系，并且进行相应的预测。
股票市场的复杂性需要我们谨慎对待任何预测结果，只有综合考虑所有因素，才能做出更明智的投资决策。
希望本篇文章能够帮助读者更好地了解回归分析在股票预测中的应用方法，以及预测股票走势的局限性。
股票走势预测方法
股票走势预测方法
股票走势预测是受到投资者和金融机构关注的一项重要服务。
现
有几种方法可用于对股票走势进行预测，如机器学习方法、技术指标、基于新闻的方法。
首先，机器学习方法是股票预测中应用最广泛的方法之一。
它利
用大量股票相关的历史数据，利用诸如逻辑回归、线性回归等数据分
析方法，对股票的未来表现进行预测。
其次，技术指标法。
股票的行为会受到其价格趋势和交易量趋势
的影响，使用技术指标法可以识别影响股票走势的关键点，进行投资
决策。
例如，我们可以通过使用收益比率、动量等技术指标，来预测
股票的未来行为。
最后，基于新闻的股票走势预测方法。
传统的预测方法通常不考
虑任何外部因素，而新闻中可能包含一些重要的变量，它们可能会影
响股票的未来行为。
新闻分析有助于识别新闻中的关键点，并根据它
们进行股票的预测。
基于多元回归分析的股票市场预测方法研究
基于多元回归分析的股票市场预测方法研究近年来，股票市场作为一个具有极高风险的投资领域，一直受到广大投资者的关注。
然而，由于市场受到大量不确定因素的影响，如政治、经济和自然灾害等，使得正确预测市场趋势显得异常困难。
因此，研究一种基于多元回归分析的股票市场预测方法显得尤为重要。
多元回归分析是一种量化分析方法，它通过建立数学模型来预测一个或多个研究变量。
多元回归分析将一个因变量与多个自变量相关联，从而建立一个统计模型，以便根据自变量的变化来预测因变量的变化。
在应用于股票市场预测时，多元回归分析可以将股票市场的一个特定指数（如道琼斯指数）作为因变量，同时考虑多个自变量，如经济指标（GDP、CPI、货币供应量等）、公司利润、市场资金流向等因素，建立预测模型。
通过对历史数据的分析，可以找到自变量与因变量之间的关系，并通过模型预测未来市场走势。
另外，多元回归分析还可以通过对各自变量的系数进行比较，从而判断不同自变量对股票市场的影响力大小。
具体地说，多元回归分析的预测过程包括以下几个步骤。
首先，应该收集历史数据，包括因变量和自变量，并对其进行清洗和转化。
然后，建立多元回归模型，并对数据进行拟合和验证。
一旦模型被验证为准确可信，可以使用其进行预测。
最后，应该对预测结果进行监测和评估，并及时更新模型。
然而，多元回归分析也存在一些缺点。
首先，它只能预测因变量和自变量之间的相关性，而不能明确的证明因果关系。
其次，多元回归分析容易出现过度拟合，即模型对历史数据的适应度非常高，但对未来数据的预测能力较差，需要采取适当的措施进行优化。
除此之外，股市预测也受到很多其他因素的影响，如政治环境、自然灾害、恐怖袭击等。
因此，在多元回归分析的基础上，还需要结合其他预测方法和实时市场信息，进行综合分析和判断。
总而言之，基于多元回归分析的股票市场预测方法是一种较为科学和可行的方法，可以利用历史数据预测未来走势，并结合其他预测方法和实时市场信息进行综合分析和判断。
线性回归算法在数据分析中的应用
线性回归算法在数据分析中的应用数据分析已经成为企业和组织在决策制定过程中必不可少的一部分。
数据分析能够发现数据之间的关系，预测未来的情况，从而为决策制定提供准确和客观的依据。
在数据分析中，线性回归算法被广泛应用。
本文将介绍线性回归算法在数据分析中的应用。
一、线性回归算法介绍线性回归算法是一种统计学习方法，它用于分析两个或多个变量之间的关系。
它假设各个自变量与因变量之间存在一个线性关系，通过线性拟合的方式预测因变量的值。
线性回归算法是一种简单但有效的算法，它特别适用于多元数据的分析。
二、1. 预测销售数据线性回归算法可以用于预测销售数据。
在实际业务中，销售数据通常是由多个因素所决定的，如市场需求、产品定价、竞争力等。
通过收集和分析这些因素，使用线性回归算法可以建立一个多元线性回归模型，预测未来的销售情况。
这对企业做出销售计划提供了准确的依据。
2. 分析客户行为线性回归算法可以用于分析客户行为。
在这里，自变量可以是客户的性别、年龄、地理位置等，因变量可以是客户的购买记录、网站访问量等。
通过建立多元回归模型，可以分析这些变量与客户行为之间的关系，识别对客户行为影响最大的因素。
3. 预测股票走势线性回归算法可以用于预测股票走势。
在股票市场中，股票价格通常是由多个因素所决定的，如公司业绩、宏观经济环境等。
通过使用线性回归算法，可以建立一个多元回归模型，预测未来股票价格的走势。
这对于投资者做出投资决策提供了有益的信息。
三、线性回归算法的优缺点线性回归算法的优点是简单易懂，并且容易解释结果。
它也是建立多元回归模型的一种有效方式。
然而，线性回归算法也有一些缺点：它很容易受到异常值和噪声数据的影响，并且可能会存在过拟合和欠拟合的问题。
此外，它也不能捕捉到非线性的关系。
四、结论线性回归算法在数据分析中是一种非常有用的工具。
通过建立多元回归模型，可以发现自变量和因变量之间的关系，从而预测未来的情况，做出准确的决策。
在实际应用中，我们需要注意算法的缺点，并采取相应的措施来避免产生误差，提高预测的准确性。
通过回归分析预测股票走势
通过回归分析预测股票走势回归分析是一种经济学和统计学中常用的方法，用于分析数值型数据之间的关系。
在股票市场中，通过回归分析可以预测股票走势，帮助投资者做出更准确的决策。
我们需要了解什么是回归分析。
回归分析是一种数学模型，用来描述一个或多个自变量与因变量之间的关系。
在股票市场中，自变量可以是市场指数、行业数据等，而因变量则是股票价格的变化。
通过回归分析，我们可以找出自变量与因变量之间的数学关系，从而预测未来的股票走势。
我们需要收集相关的数据。
在进行回归分析之前，我们需要收集大量的数据，包括股票价格、市场指数、行业数据等。
这些数据可以通过各种途径获取，比如财经网站、金融数据库等。
收集到的数据应该是时间序列数据，这样我们才能进行时间序列回归分析，从而预测未来的股票走势。
接着，我们可以进行回归分析。
回归分析有很多种方法，比如简单线性回归、多元线性回归、时间序列回归等。
在股票市场中，一般会使用时间序列回归分析，因为股票价格往往具有时间序列的特性，即当前的股票价格受到之前股票价格的影响。
通过回归分析，我们可以找出股票价格与自变量之间的数学关系，从而预测未来的股票走势。
我们可以利用回归分析的结果进行股票预测。
通过回归分析，我们可以得到一个数学模型，用来描述股票价格与自变量之间的关系。
利用这个模型，我们就可以预测未来的股票走势。
股票市场的价格涨跌受到许多因素的影响，回归分析只是其中的一种方法，不能保证100%准确，但它可以帮助投资者更准确地判断未来的股票走势，从而做出更明智的投资决策。
通过回归分析可以预测股票走势，帮助投资者做出更准确的决策。
通过收集相关数据，进行回归分析，得到股票预测结果，投资者就可以更好地把握股票市场的变化，从而获取更高的投资回报。
投资有风险，投资者还需要综合考虑公司基本面、宏观经济等因素，做出全面的投资决策。
希望投资者能够通过回归分析，更加准确地预测股票走势，获得更大的收益。
股票价格预测方法综述
股票价格预测方法综述股票价格预测是金融市场中非常重要的一个问题，它不仅关乎到投资者的收益，还涉及到企业的发展方向以及整个市场的走向。
然而，由于股票市场的复杂性和不确定性，预测股票价格是一项颇具挑战性的工作。
本文将综述几种常见的股票价格预测方法。
1. 基于统计模型的预测方法基于统计模型的股票价格预测方法是目前应用最为广泛的一种方法，主要包括时间序列分析、回归分析、指数模型等。
时间序列分析是基于股价的历史数据进行分析，预测未来股价的一种方法。
该方法需要收集大量的历史数据，通过对数据进行平稳性检验和建立预测模型，可以得到未来股价的趋势。
回归分析是基于相关因素与股价之间的关系，通过建立回归模型来预测未来股价。
该方法需要选择相关因素，并对其进行定量测量，然后建立预测模型。
指数模型是一种简单的股票价格预测方法，它通过计算股价指数的变动来预测未来股价的趋势。
该方法对历史数据的要求较低，但是需要对市场具有较好的理解和判断力。
基于机器学习的股票价格预测方法又称为数据驱动模型，主要包括人工神经网络、支持向量机和决策树等。
人工神经网络是一种基于生物神经网络的模式识别和预测方法，它可以通过学习历史数据来预测未来股价。
该方法需要构建神经网络模型，并对其进行训练和优化。
支持向量机是一种基于统计学习理论的分类和回归方法，它可以通过寻找最优超平面来进行预测。
该方法需要选择核函数和超参数，并对其进行调参，以提高预测性能。
决策树是一种基于树形结构的分类和回归方法，它可以通过构建决策树来进行预测。
该方法需要选择特征和节点分裂方式，并对其进行剪枝和优化，以降低过拟合风险。
基于深度学习的股票价格预测方法是近年来发展起来的一种新型方法，主要包括卷积神经网络、循环神经网络和深度强化学习等。
深度强化学习是一种基于环境和奖励的深度学习模型，它可以通过多次交互来学习最优决策，进而进行股票价格预测。
该方法需要选择奖励函数和优化算法，并对其进行训练和优化。
- 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)。
通过回归分析预测股票走势作者：杨雨彤来源：《全国流通经济》2019年第07期摘要：股票是一种用来募集资金的有价证券，对个人、集体、国家，以及社会的影响日渐增大，所以寻找一种有效的投资方法，成为了所有投资者的目标。
本文运用多因素模型，有效市场假说，线性回归模型等方式分析对于股票的波动性产生影响的因素。
通过研究不同因素对股票的波动趋势的影响强弱来寻找低价买入、高价抛出的机会，以求收益最大化。
文中以Google为例，因为美国市场历史悠久，趋于稳定，更加接近于半强型市场，所以从多家美国本土上市公司中，选择了著名网络公司Google为实验对象。
经过对于2012年～2018年的数据统计，整理出上百组数据并进行研究，用spss等工具进行进一步探究，然后从中挑选出成果最具有代表性的部分数据放入本文做参考数据。
最终利用所得数据分析可知各因素对于股票波动的影响强弱。
关键词：有效市场假说；多因素模型；资本资产定价模型；多元线性回归中图分类号：F8309文献识别码：A文章编号：2096-3157（2019）07-0104-04一、前言1研究背景股票是一种用来募集资金的有价证券，随着时代的发展，股票已经成为公民理财的重要方式之一，其在公民收入与支出中所占的比重也不断增大，与此同时也影响着国家、企业、个人的经济状况与环境以及社会和个人的可持续发展。
股市中很多因素对于股票的波动性产生影响，因此，寻求一种有效的投资方法，成为了几乎所有投资者的首要目标。
当今信息技术日新月异使得数据的大规模增长，许多学者将数据挖掘、机器学习、神经网络应用在股票分析中。
揭示事物发展规律变化的内部规律，发现不同事物之间的相互关系，使人们能够正确认识事物和科学决策，已经成为了金融分析领域的重要方法。
股票分析分为两种，一种是对于股市总体的评价和预测，这种分析有益于政府制定正确的政策，也有助于企业制定恰当的发展战略。
另一种是针对单个股票的涨跌进行预测，其主要目的是为股民提供规避风险的参考。
目前，我们接近于一个半强型的市场，半强型市场中分析的作用效果甚微，而内幕消息却可能获得超额利润。
比如拼多多出现了假货之后丑闻快速传播，股票在当天就有强烈的波动，通过对于股票因素的研究可以找到影响股票波动的重要因素，在一定范围内控制其波动，能够有效规避系统性风险与非系统性风险带来的损失。
本文的研究控制了平均月活跃人数，股票成交量，标准普尔，密歇根消费者信心指数，核心消费价格指数，失业率等指数，通过分析这些因素对于股票的影响强度，来寻找影响股票走势的重要因素。
通过研究最终可以确定成果，而这也有利于个人选股，通过研究股票的波动趋势，寻找低价买入、高价抛出的机会，以求收益最大化。
2国内外文献综述国内外许多学者都对波动幅度大的股票的影响因素进行了具体的分析。
郝知远（2017）将数据挖掘的手段运用到股票分析中，实现了把握股票的涨跌规律、在眾多股票中选择优质股的难题。
最后实现了一个量化选股方法。
郑挺国，尚玉皇（2014）基于宏观基本面构建了多因子的广义自回归条件异方差——混频数据抽样（GARCH-MIDAS）模型，并运用该模型对中国股市日度波动率进行估计及预测比较。
卢钰（2013）机器学习一直是研究者研究的一个方向，但其中具有非普遍性。
为了在小样本量的情况下实现机器学习，VVapnik（1995）等人基于统计学习理论（SLT）的基础上提出了一种新的机器学习算法支持向量机（Suppory Vector Machine，简称SVM）用于数据挖掘。
贾云朋（2015）主要研究了数据挖掘在股价曲线的趋势预测。
通过对比时间序列法以及马尔可夫预测法，最终发现后者更加适合预测单一股票短期的价格趋势。
Leila Bateni（2014）采取了基于人工神经网络的方法，选取2012年～2013年美国纳斯达克的股市数据对模型进行训练并得到了准确的结果。
当收盘指数大于3000点时，其预测错误率小于2%。
Nelson Maina Wweru（2012）采取了基于RBF神经网络的模型对1990年～1999年香港股市进行分析，得到了相比于其他分析方式更为精确的结果，并且实现了对长线、短线的不同预测。
通过以上文献综述的研究，可以发现目前对于股票趋势的文章基本上以回归分析为主体拓展为数据挖掘、机器学习、神经网络应用等方面，再细分为数据统计分析、网络数据分析、日常数据分析等为方式进一步构建模型，分析研究。
二、研究方法1多因素模型因素模型是建立在证券收益率对各种因素或指数变动具有一定敏感性的假设基础之上的一种模型。
主要分为：单因素模型E（Ri）=ai+biE（F）多因素模型Rit=αi+βi1F1t+βi2F2t+εit单因素模型主要研究一种因素对于股票波动的影响，同理，多因素模型主要研究多种因素对股票波动的影响。
在对单只股票波动的影响因素的研究中，主要采用一种特殊的单因素模型：capm模型，E（ri）=rf+βim（E（rm）-rf），又称为资本资产定价模型，它主要研究某一只股票的收益率对于市场的波动的敏感度。
本文主要采用了多因素模型，意在找到影响股票波动的重要因素，在一定范围内控制其波动，能够有效规避系统性风险与非系统性风险带来的损失。
系统风险是指市场中无法通过分散投资来消除的风险，也被称做为市场风险非系统性风险也被称做为特殊风险，这是属于个别股票的自有风险，投资者可以通过变更股票投资组合来消除。
公式中的β，在经济学范畴是一种风险指数，主要用来衡量个别股票或股票基金相对于整个股市的价格波动情况。
β系数一般用以度量一种证券或一个投资证券组合相对总体市场的波动性，是一种评估证券系统性风险的工具。
2有效市场假说有效市场假说奠基人是一位名叫路易斯·巴舍利耶的法国数学家，他把统计分析的方法应用于股票分析率的分析，发现其波动的数学期望值总是为零。
自他以后1964年奥斯本提出了“随机漫步理论”（任何无规则行走者所带的守恒量都各自对应着一个扩散运输定律），尤金·法玛在Financial Analysts Journal上发表文章第一次提出有效市场理论，并在1970年对其定义：如果在一个证券市场中，价格完全反映了所有可以获得的信息，那么就称这样的市场为有效市场。
有效市场具体分为三个层次：弱形式有效市场，半强形式有效市场和强形式有效市场。
弱势有效市场中对从技术方面分析股票价格的方式失去作用，而基本分析仍有可能帮助投资者获得超额利润。
这类市场凝聚了所有历史记录的信息所以没有分析的必要。
半强行有效市场中利用技术分析和基本分析研究股票价格的方式的都效果甚微，了解内幕消息才可能获得超额利润。
简而言之这种市场反映过去信息，也反映所有公布于众的目前信息，所以获得其他额外信息才可以获得厚利。
而强行有效市场中没有任何方法能帮助投资者获得超额利润。
它包含弱有效和半强有效市场的内容，还包含了内幕信息，投资者只能根据给定的价格作出自己的行为选择。
以近期出现多处安全事故而负债千亿的碧桂园为例，因为负面的信息披露，后果及时的反应在了股票价格信息上面，简而言之，有效市场中公布的信息都有效的反应在价格上。
反之公布的信息与股票的价格不匹配的便是市场无效。
3线性回归模型在统计学中，线性回归是利用线性回归方程的最小平方函数对一个或多个自变量和因变量之间进行建模的一种回归分析的方法。
用来确定变量间相互依赖的定量关系。
如果其中只包括一个自变量和一个因变量，而且二者的关系用近似一条直线的模型表示，那么称这种回归分析为一元线性回归分析。
如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。
它的运用十分广泛，表达形式为：y = w’x+ee为误差服从均值为0的正态分布。
Y=Y1Y2YnU=u1u2unX=1X11…Xk11X12…Xk21X1n…Xkn=X′1X′2X′nβ=β0β1βkY为因变量；β代表无风险利率，比如一年期国库券；X是本项研究的自变量；U用来调整误差。
线性回归是经济学的主要实证工具。
例如，它是用来预测消费支出，固定投资支出，存货投资，一国出口产品的购买，进口支出，要求持有流动性资产，劳动力需求、劳动力供给。
三、实验过程1搜集数据经济并不是一个简单、统一的实体，它是一个多元化的融合，影响其的因素有很多，所以对于单一股票波动的研究需要从多方面来实践研究得到与现实拟合度最高的实验结果。
在本次实验中，笔者从众多影响因素中选择出来了6个最具有影响性和代表性的因素来进行研究：平均月活跃人数，股票成交量，标准普尔，密歇根消费者信心指数，核心消费价格指数，失业率作为实验的自变量。
本文收集了该股票5年的数据作为研究基础，上表仅摘要2012年～2015年中部分数据作为参考。
表中明显直观的显示：股票价格自2012年起从每股23705美元的价格不断攀升，始终保持上涨态势，截止到2015年11月股票价格已涨到每股10901美元。
再看股票的影响因素中，平均月活跃人数从955为起点不断上涨，截至2015年11月平均月活跃人数上升至155。
根据上面的折线统计图可读出股票成交量的涨幅趋势不稳定2012年～2013年中大体趋势上升，而从2013年中～2015年末数值大幅度减小，呈下降趋势。
标准普尔，密歇根消費者信心指数，核心消费价格指数的也均呈增长趋势，而失业率持续下降。
从图表中我们大体可知，经济在不断增长，社会逐渐趋于稳定。
图中的自变量中，（1）平均月活跃人数：股票交易次数，取月平均值。
（2）股票成交量：股票买卖双方达成交易的数量，是单边的，用来作为价格形态的确认。
（3）标准普尔：是由亨利·瓦纳姆·普尔先生创立于1860年的一所世界权威金融分析机构，它涵盖多个全球及指定国家指数，反映世界各地股票的表现。
（4）咨询会消费者信心指数：消费者信心指数是美国密歇根大学率先编制的消费者信心指数，调查研究中心为研究消费需求对于经济周期的影响，而对于消费者个人的收入，生活质量，宏观经济及消费支出等方面进行的调查研究。
消费者信心指数是反映消费者对该国经济信心强弱的指标，是综合反映并量化消费者对当前经济形势评价和对经济前景、收入水平、收入预期以及消费心理状态的主观感受，预测经济走势和消费趋向的一个先行指标。
主要反映了消费者对股票购买欲望的强烈程度，进一步分析消费者心理的预期分析是否对股票价格有影响。
（5）失业率：是资本市场的重要指标，属于滞后指标。
失业率的增加可以看出国家经济情况较差，社会经济疲软；而失业率减少，也将造成通货膨胀等问题。
所以需要随着社会的发展不断调整，达到一个平衡状态。
失业率是可以反映一个国家或地区失业状况，是可以观察社会经济和金融发展程度和状况的一项重要指标。