股票時間序列圖怎麼畫

⑴ 股票折線圖怎麼設置

股票折線圖的設置方法如下：
1、打開繪圖軟體，准備枯悔數據。在軟體中選擇繪制折線圖的功能，將准備好的時間序列和股價數據輸入到軟體中。
2、設豎納定橫軸沒纖正和縱軸的取值范圍，設定折線的顏色、線型、寬度等參數。
3、添加標題和標簽，調整布局，導出圖表即可。

⑵ intel公司股票的時間序列分析

因特爾公司，一家以研發CPU處理器為主的美國公司，也是全球最大的個人計算機和CPU製造商，擁有50年的產品創新和市場領導歷史。本文選取了1998年11月28日至2018年11月28日的日數據收益率，對其進行了時間序列分析。

（一）數據可視化

從圖2.1可見，股票的收盤價呈現上漲趨勢，但2000年後有一波下跌，表明序列是非平穩的。

圖2.2展示了開盤價和收盤價數據之間的相關散點圖，當價格低於40時，開盤價和收盤價之間的差距不大，但價格高於40時，兩者之間的差距波動加大。

將原序列取對數查分後的數據，即股票的收益率，畫出時序圖。

（二）平穩性檢驗

通過acf、pacf和單位根診斷圖檢驗數據是否為白雜訊、單位根平穩ARCH效應。結果表明，序列是平穩的，可以進行ARIMA模型定階。

（三）ARCH模型的建立

1. 均值模型的建立

通過arima函數自動定階建立arima(1,0,2)的均值模型。

2. ARCH模型的建立

建立arch(1,1)模型，得到的參數如圖2.11。

3. 模型的檢驗

通過Box-Ljung(p-value > 0.05)的檢驗，可知該模型的殘差為一個白雜訊序列，因此該模型是合理的。

4. 模型預測

預測五期後的值分別為：-0.000199，-0.000254,0.00005566,0.000248,0.000368。從預測效果來看，波動並不大，說明英特爾公司的市場價波動小，運營穩定。

##將上面結果改為E-GARCH模型

fit.spec <- ugarchspec(variance.model = list(model = "eGARCH", garchOrder = c(1, 1)), mean.model = list(armaOrder = c(0, 0), include.mean = TRUE), distribution.model = "norm")

fit <- ugarchfit(data = intc_ts, spec = fit.spec)

plot(fit,which='all)

三、結論

本案例選取了1998年11月28日至2018年11月28日的日數據收益率進行數據分析。對數據建模（ARCH、GARCH模型），得出該數據服從模型。預測五期後的值分別為：-0.000199，-0.000254,0.00005566,0.000248,0.000368。從預測效果來看，波動並不大，說明英特爾公司的市場價波動小，運營穩定。

⑶ 如何用Arma模型做股票估計

時間序列分析是經濟領域應用研究最廣泛的工具之一,它用恰當的模型描述歷史數據隨時間變化的規律,並分析預測變數值。ARMA模型是一種最常見的重要時間序列模型,被廣泛應用到經濟領域預測中。給出ARMA模型的模式和實現方法,然後結合具體股票數據揭示股票變換的規律性,並運用ARMA模型對股票價格進行預測。
選取長江證券股票具體數據進行實證分析
1.數據選取。
由於時間序列模型往往需要大樣本,所以這里我選取長江證券從09/03/20到09/06/19日開盤價,前後約三個月,共計60個樣本,基本滿足ARMA建模要求。
數據來源:大智慧股票分析軟體導出的數據(股價趨勢圖如下)
從上圖可看出有一定的趨勢走向,應為非平穩過程,對其取對數lnS,再觀察其平穩性。
2.數據平穩性分析。
先用EVIEWS生成新序列lnS並用ADF檢驗其平穩性。
(1)ADF平穩性檢驗,首先直接對數據平穩檢驗,沒通過檢驗,即不平穩。
可以看出lnS沒有通過檢驗,也是一個非平穩過程,那麼我們想到要對其進行差分。
(2)一階差分後平穩性檢驗,ADF檢驗結果如下,通過1%的顯著檢驗,即數據一階差分後平穩。
可以看出差分後,明顯看出ADF Test Statistic 為-5.978381絕對值是大於1%的顯著水平下的臨界值的,所以可以通過平穩性檢驗。
3.確定適用模型,並定階。可以先生成原始數據的一階差分數據dls,並觀測其相關系數AC和偏自相關系數PAC,以確定其是為AR,MA或者是ARMA模型。
(1)先觀測一階差分數據dls的AC和PAC圖。經檢驗可以看出AC和PAC皆沒有明顯的截尾性,嘗試用ARMA模型,具體的滯後項p,q值還需用AIC和SC具體確定。
(2)嘗試不同模型,根據AIC和SC最小化的原理確定模型ARMA(p,q)。經多輪比較不同ARMA(p,q)模型,可以得出相對應AIC 和 SC的值。
經過多次比較最終發現ARMA(1,1)過程的AIC和SC都是最小的。最終選取ARIMA(1,1,1)模型作為預測模型。並得出此模型的具體表達式為:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的檢驗。選取ARIMA(1,1,1)模型,定階和做參數估計後,還應對其殘差序列進行檢驗,對其殘差的AC和Q統計檢驗發現其殘差自相關基本在0附近,且Q值基本通過檢驗,殘差不明顯存在相關,即可認為殘差中沒有包含太多信息,模型擬合基本符合。
5.股價預測。利用以上得出的模型,然後對長江證券6月22日、23日、24日股價預測得出預測值並與實際值比較如下。
有一定的誤差,但相比前期的漲跌趨勢基本吻合,這里出現第一個誤差超出預想的是因為6月22日正好是禮拜一,波動較大,這里正驗證了有研究文章用GARCH方法得出的禮拜一波動大的結果。除了禮拜一的誤差大點,其他日期的誤差皆在接受范圍內。
綜上所述,ARMA模型較好的解決了非平穩時間序列的建模問題,可以在時間序列的預測方面有很好的表現。藉助EViews軟體,可以很方便地將ARMA模型應用於金融等時間序列問題的研究和預測方面,為決策者提供決策指導和幫助。當然,由於金融時間序列的復雜性,很好的模擬還需要更進一步的研究和探討。在後期,將繼續在這方面做出自己的摸索。

⑷ SPSS-數據分析之時間序列分析

當數據與時間息息相關，常具有周期性的變化規律，此時，時間序列分析是一個很好的發現分析及預測其發展變化的統計方法，接下來簡要分享統計分析軟體SPSS中時間序列分析的操作。

問：什麼是時間序列？

答：時間序列是時間間隔不變的情況下收集的不同時間點數據集合。

問：那時間序列分析又是什麼？

答：時間序列分析是通過研究歷史數據的發展變化規律來預測事物的未來發展的統計學方法。公司營業額、銷售額，人口數量，股票等方面的變化預測皆可通過此統計方法。

SPSS中的操作

首先，對數據進行 預處理：

1.查看數據是否有缺失，若有，不便後續處理，則需進行替換缺失值。

轉換→替換缺失值→選擇新變數→輸入新變數名稱、選擇替換缺失值方法。

2.定義日期

數據→定義日期和時間

3.平穩性檢驗（平穩性指的是期望不變，方差恆定，協方差不隨時間改變）

檢驗方法：時序圖檢驗、自相關圖檢驗等。可通過創建時間序列實現數據的平穩化

轉換→創建時間序列

結果（例：運行中位數——跨度為1，則等於原數據）

數據預處理後對數據進行分析研究——序列圖、譜分析、自相關等。

1.序列圖：分析→時間序列預測→序列圖→根據需要選擇變數、時間軸標簽等。

結果（例）：可觀察數據的大致波動情況。

2.譜分析：分析→時間序列預測→譜分析→根據需要選擇變數、圖表。

結果（例）

對於周期變化的數據，主要用於偵測系統隱含的周期或者節律行為；

對於非周期的數據，主要用於揭示系統演化過程的自相關特徵。

3.自相關：分析→時間序列預測→自相關→選擇變數及其他。

結果：

解讀：直條高低代表自相關系數的大小，橫軸1-16代表自相關的階數，上下線之間是不具有統計學意義的，偏自相關是去除自相關系數的關聯性傳遞性之後，用偏自相關系數考察剩餘的相關性是否還存在。

關於SPSS時間序列分析的簡要介紹就結束啦！

END

文 | FM

⑸ 非平穩時間序列可以預測股票走勢嗎

一般把非平穩時間序列轉化為平穩時間序列的方法是取n階差分法。

比如舉個例子版，假設xt本身是不平穩權的時間序列，如果xt～I(1) ,也就是說x的1階差分是平穩序列。
那麼 xt的1階差分dxt=x(t)-x(t-1) 就是平穩的序列 這時dt=x(t-1)

如果xt～I(2)，就是說xt的2階差分是平穩序列的話
xt的1n階差分dxt=x(t)-x(t-1) 這時xt的1階差分依然不平穩，
那麼 對xt的1階差分再次差分後，
xt的2階差分ddxt=dxt-dxt（t-1）便是平穩序列 這時dt=-x(t-1)-dxt（t-1）

n階的話可以依次類推一下。

⑹ 誰用excel幫我收集任一隻股票30個交易日的收盤價與所在市場的同期的收盤指數，萬分感激~~~

請問你是想做對比曲線嗎？比較個股對比大盤的強弱，來看個股是否有莊家介入？以及莊家的實力？

時間 中體產業收盤 上證收盤
1 2010/05/06 8.53 2739.701
2 2010/05/07 8.14 2688.381
3 2010/05/10 8.34 2698.761
4 2010/05/11 8.15 2647.571
5 2010/05/12 8.36 2655.711
6 2010/05/13 8.5 2710.511
7 2010/05/14 8.35 2696.631
8 2010/05/17 7.87 2559.931
9 2010/05/18 8.17 2594.781
10 2010/05/19 8.07 2587.811
11 2010/05/20 8.41 2555.941
12 2010/05/21 8.7 2583.521
13 2010/05/24 8.94 2673.421
14 2010/05/25 8.98 2622.631
15 2010/05/26 9.08 2625.791
16 2010/05/27 9.12 2655.921
17 2010/05/28 8.94 2655.771
18 2010/05/31 8.6 2592.151
19 2010/06/01 8.56 2568.281
20 2010/06/02 9.05 2571.421
21 2010/06/03 8.85 2552.661
22 2010/06/04 9.25 2553.591
23 2010/06/07 9.7 2511.731
24 2010/06/08 9.76 2513.951
25 2010/06/09 9.76 2583.871
26 2010/06/10 9.63 2562.581
27 2010/06/11 9.32 2569.941
28 2010/06/17 9.32 2560.251
29 2010/06/18 8.7 2513.221
30 2010/06/21 9.06 2586.21

看著有點累，將就吧，做好了EXCEL表格，不知道怎麼發給你