股票數據sas時間序列
119580專業理財，短線操作
❷ 如何用SAS自動對時間序列擬合最優的ARMA模型
arma要根據aic判斷，不能自動判斷
❸ sas做時間序列分析，每天的數據能自動分成月份嗎
可以的，用函數生成
❹ 怎樣用SAS對時間序列進參數估計
Eviews時間序列分析實例
時間序列是市場預測中經常涉及的一類數據形式，本書第七章對它進行了比較詳細的介紹。通過第七章的學習，讀者了解了什麼是時間序列，並接觸到有關時間序列分析方法的原理和一些分析實例。本節的主要內容是說明如何使用Eviews軟體進行分析。
一、指數平滑法實例
所謂指數平滑實際就是對歷史數據的加權平均。它可以用於任何一種沒有明顯函數規律，但確實存在某種前後關聯的時間序列的短期預測。由於其他很多分析方法都不具有這種特點，指數平滑法在時間序列預測中仍然占據著相當重要的位置。
（－）一次指數平滑
一次指數平滑又稱單指數平滑。它最突出的優點是方法非常簡單，甚至只要樣本末期的平滑值，就可以得到預測結果。
一次指數平滑的特點是：能夠跟蹤數據變化。這一特點所有指數都具有。預測過程中添加最新的樣本數據後，新數據應取代老數據的地位，老數據會逐漸居於次要的地位，直至被淘汰。這樣，預測值總是反映最新的數據結構。
一次指數平滑有局限性。第一，預測值不能反映趨勢變動、季節波動等有規律的變動；第二，這種方法多適用於短期預測，而不適合作中長期的預測；第三，由於預測值是歷史數據的均值，因此與實際序列的變化相比有滯後現象。
指數平滑預測是否理想，很大程度上取決於平滑系數。Eviews提供兩種確定指數平滑系數的方法：自動給定和人工確定。選擇自動給定，系統將按照預測誤差平方和最小原則自動確定系數。如果系數接近1，說明該序列近似純隨機序列，這時最新的觀測值就是最理想的預測值。
出於預測的考慮，有時系統給定的系數不是很理想，用戶需要自己指定平滑系數值。平滑系數取什麼值比較合適呢？一般來說，如果序列變化比較平緩，平滑系數值應該比較小，比如小於0.l；如果序列變化比較劇烈，平滑系數值可以取得大一些，如0.3～0.5。若平滑系數值大於0.5才能跟上序列的變化，表明序列有很強的趨勢，不能採用一次指數平滑進行預測。
〔例1〕某企業食鹽銷售量預測。現在擁有最近連續30個月份的歷史資料（見表l），試預測下一月份銷售量。
表1 某企業食鹽銷售量 單位：噸
解：使用Eviews對數據進行分析，第一步是建立工作文件和錄入數據。有關操作在本章第一節中已經闡明，這里不再贅述。假設已經建立工作文件，並生成了一個樣本期為l～30的序列，命名為SALES。序列SALES中包含例1中需要分析的數據。
第二步，繪制序列圖形。在序列對象窗口中，點擊View→Line Graph。屏幕顯示圖1所示圖形。
圖1 某企業近30個月的銷售量動態圖
從圖1中可以看出，這個企業近30個月的銷售量並不存在明顯的趨勢，並且沒有明顯的季節趨勢。因此，從直觀上判斷可以採用一次指數平滑法對企業下個月的銷售量進行預測。
第三步，擴大樣本期。本例要求對下一個月的銷售量進行預測，而工作文件的樣本期是1～30，在Eviews中要求先更改樣本期。更改樣本期的操作在本章第一節已經講過，這里將樣本期改為l～31。
第四步，進行指數平滑。指數平滑的菜單操作方法有兩種：一是在主工作文件窗口打開的情況下，點擊主窗口的Quick→Series Statistics→Exponential Smoothing；二是在序列對象窗口中點擊Procs→Exponential Smoothing。點擊後屏幕出現如圖2所示的指數平滑對話框。
指數平滑對話框中包含五個部分的選項：平滑方法（Smoothing Method）、平滑系數（Smoothing Parameters）、平滑後生成序列的名稱（Smoothed Series）、預測樣本范圍（Estimation Sample）和季節變動周期（Cycle for Seasonal）。
對話框左上部分的平滑方法（Smoothing Method）包括：
Single 一次指數平滑
Double 二次指數平滑
Holt－Winters－No seasonal Holt－Winters無季節模型
Holt－Winters－Additive Holt－Winters季節迭加模型
Holt－Winters－Multiplicative Holt－Winters季節乘積模型
平滑系數（Smoothing Parameters）包括Alpha，Beta，Gamma。平滑系數可由系統自動給定，也可以由用戶指定。預設狀態是由系統自動給定。如果用戶需要指定，只需在對應參數的位置填入指定的數值。
本例中，分別指定Alpha的值為0.3和0.5。當指定平滑系數為0.3時，預測的殘差平方和為137.2978；當平滑系數為0.5時，預測的殘差平方和為165.0685。因此這里選擇平滑系數為0.3時的預測結果。根據一次指數平滑方法的預測，該企業下個月的銷售量應為29.2噸。
圖2 指數平滑對話框
（二）二次指數平滑
二次指數平滑又稱雙重指數平滑。相對於一次指數平滑，二次指數平滑可以預測有一定線性趨勢的序列，其預測期也長一些。
[例2]某公司1990－2001年的實際銷售額如表2所示。請根據此資料預測2002年和2003年企業銷售額。
表2 某公司銷售額 單位：萬元
解：第一步，建立工作文件，樣本期為1990－2001的年度數據。在新建立的工作文件中，生成一個名為SALES的新序列。打開SALES序列對話框，將表2中的數據錄入。
第二步，繪制序列圖形。從圖中可以看到，該企業的銷售額存在明顯的增長趨勢（見圖3）。序列的波動並不是很劇烈。由此判斷，使用二次指數平滑法進行預測比較合適。
第三步，擴大樣本期。由於本例需要預測下兩年的銷售額，因此將工作文件的樣本期更改為1990－2003年。
圖3 某企業1990－2001年銷售額變動情況
第四步，指數平滑。根據前例中的方法，用戶可以進入如圖2的指數平滑對話框。本例中，選擇二次指數平滑的方法，並讓系統自動確定系數。結果如表3所示。
原序列SALES中共有12個觀測值，即1990－2001年的企業銷售額。在進行二次指數平滑時，系統根據這12個數值自動確定了最優的平滑系數α＝0.244。此時，對序列進行二次指數平滑預測的殘差平方和為101.3594，均方根誤差為2.906306。
在Eviews給出指數平滑結果統計表（見表3）時，並沒有直接給出對2002年和2003年銷售額的預測值。這兩個數值保存在系統生成的平滑序列SALESSM中，用戶只需打開該序列就可以看到二次指數平滑方法預測的結果。結果顯示，該企業在2002年和2003年的銷售額，分別預計為56．6萬元和59．4萬元。
表3 二次指數平滑結果
如果將二次指數平滑的預測結果和原觀測值共同顯示在同一張圖上，可以使用戶看起來更清楚。首先在工作文件菜單中同時選中兩個序列SALES和SALESSM，方法是先點擊一個序列，之後按住鍵盤上的Shift鍵再點擊另外一個序列。然後點擊工作文件菜單工具欄中的Show，在彈出的對話框中點擊OK。此時，系統將彈出一個類似序列對象窗口的群窗口（見圖4），窗口中以Excel表格的形式同時顯示出SALES和SALESSM。最後點擊該窗口上方的View→Graph→Line（見圖5）。
圖4 群對象窗口
圖5 實際銷售額與平滑值序列對比圖
二、趨勢延伸法實例
時間序列的趨勢即序列隨時間變化的基本規律和特點。對於存在趨勢的序列，通常可以選取適當的模型進行分析和預測。
（－）直線趨勢
直線趨勢模型是一種最常用，也是最成熟的方法。模型的基本結構為：
Yt＝a＋bt
式中，a，b是模型的參數。這種模型的結構比較簡單，估計方法非常成熟，是很多其他趨勢模型估計的基礎。下面結合實例說明如何使用該軟體進行直線趨勢模型的預測。
[例3]設某市1992－2002年市場雞蛋銷售量如表4所示。試預測2003年該市雞蛋銷售量。
表4 某市雞蛋銷售量 單位：萬千克
解：第一步，建立一個新的工作文檔，文檔的樣本期為1992－2002年。生成序列SALES，錄入表4中的銷售量觀測值。
第二步，打開SALES序列對象窗口，點擊View→Line Graph，繪制序列散點圖（見圖6）。
圖6 序列散點圖
Eviews中沒有直接繪制散點圖的菜單選項。當需要繪制散點圖時，首先需要繪制連線圖（Line Graph）。屏幕顯示圖形對象窗口後，用滑鼠左鍵雙擊圖形的任意位置，或者點擊右鍵，然後在彈出的菜單中選擇Options。此時，系統將彈出圖形屬性對話框。
圖形屬性對話框中的選項很多。用戶在這里可以方便地更改圖形的類型（Graph Type）、圖形的屬性（Graph Attitude）、線形圖格式見（Line Graph）、條形圖格式（Bar Graph）等。這里，將圖形的類型選擇為線形圖（Line Graph），再在線形圖格式中選擇僅有標示（Symba1s Only）。點擊OK。
從散點圖上可以看出，該序列基本呈現出一種直線增長的趨勢，因而宜採用直線趨勢延伸的方法進行預測。
第三步，生成時間變數T。在進行模型參數的估計時通常要用到最小二乘的方法，其中，觀測值就是因變數，序列T就是自變數。
生成一個新序列的方法有很多，可以通過菜單操作，也可以直接在主窗口中輸入命令行實現。有關菜單操作的方法在本章第一節中已經說明，這里採用命令行的形式生成序列T。
Eviews生成序列的命令為data，用戶只需在主窗口中輸入命令：data T。
對於序列T，用戶可以在打開的對象窗口中為它賦值，比如賦值1，2，3，…
如果用戶需要直接生成含有值的序列T，也可以利用函數生成序列，在主窗口中輸入命令行（見圖7）。
圖7 T序列生成命令和取值情況節略
genr T=＠trend
系統自動生成序列T，並從0開始計數，它的取值依次為0，l，2，3，…
第四步，模型估計。在Eviews中最小二乘回歸的命令是LS，它的基本書寫格式為：
LS 因變數 C 自變數
其中，C代表模型中的常數項，對於沒有常數項的模型可以不寫。
本例中，使用下面的命令進行回歸： LS SALES C T（見表5）。
表5 最小二乘回歸結果
根據表5的結果，得到如下模型：
sale＝31.227＋2.391×T
第五步，進行預測。根據上述模型結果，可以很容易地給出2003年雞蛋銷售量的預測結果。將T＝11代入上述模型，計算結果表明該企業2003年的雞蛋銷售額為57.5萬元。
❺ 如何用sas生成時間序列ar模型數據
3.3時間序列分析 3.3.1時間序列概述 1. 基本概念 (1)一般概念：系統中某一變數的觀版測值按時間順序（權時間間隔相同）排列成一個數值序列，展示研究對象在一定時期內的變動過程，從中尋找和分析事物的變化特徵、發展趨勢和規律。它是系統中某一變數受其它各種因素影響的總結果。 (2)研究實質：通過處理預測目標本身的時間序列數據，獲得事物隨時間過程的演變特性與規律，進而預測事物的未來發展。它不研究事物之間相互依存的因果關系。 (3)假設基礎：慣性原則。即在一定條件下，被預測事物的過去變化趨勢會延續到未來。暗示著歷史數據存在著某些信息，利用它們可以解釋與預測時間序列的現在和未來。 近大遠小原理（時間越近的數據影響力越大）和無季節性、無趨勢性、線性、常數方差等。
❻ 如何用SAS軟體對收益率時間序列做ADF檢驗
對於單位根也可以使用PP檢驗，程序為： PROC AUTOREG DATA=數據集名； MODEL 被檢驗變數=/stationarity=(pp); RUN；程序的結果給出了沒有常數項、有常數項、常數項和趨勢項的三種檢驗情況。判斷的依據是看後面的檢驗概率。對於協整分析，其程序為 PROC AUTOREG DATA=數據集名； MODEL 被檢驗變數=解釋變數/stationarity=(pp); RUN；但協整檢驗只給出T值，你需要查臨界值才能判斷。
❼ 如何用sas軟體做時間序列分析
data ex4_2;
input x@@;
dx=dif(x);
t=_n_;
cards;
輸入數抄據
;
Proc gplot data=ex4_2;
Plot x*t dx*t;
Symbol v=star c=green i=join ;
Run ;
proc arima;
identify var=x(1);
estimate p=1 noint;
forecast lead=5 id=t;
run;
以上大致的襲程序步驟，具體數據和p、d、q值等你要自己修改
❽ sas怎樣進行對時間序列自相關進行檢驗
proc autoreg語句來做
❾ 基於時間序列分析的股票價格優勢趨勢預測的sas的程序
如果你指的是momentum，即動量交易的話，這個是一個搞金融學asset pricing常用的方法，你可以去內找這方面的文獻，有容告訴你怎麼編程思路的。我們有這樣的程序，但是除非是研究合作，不可能共享出來的。
❿ 如何用sas進行多元回歸時間序列分析
data ex4_2;
input x@@;
dx=dif(x);
t=_n_;
cards;
輸入抄數據
;
Proc gplot data=ex4_2;
Plot x*t dx*t;
Symbol v=star c=green i=join ;
Run ;
proc arima;
identify var=x(1);
estimate p=1 noint;
forecast lead=5 id=t;
run;
以上大致的程序步驟，具體數據和p、d、q值等你要自己修改