股票时间序列图怎么画

⑴ 股票折线图怎么设置

股票折线图的设置方法如下：
1、打开绘图软件，准备枯悔数据。在软件中选择绘制折线图的功能，将准备好的时间序列和股价数据输入到软件中。
2、设竖纳定横轴没纤正和纵轴的取值范围，设定折线的颜色、线型、宽度等参数。
3、添加标题和标签，调整布局，导出图表即可。

⑵ intel公司股票的时间序列分析

因特尔公司，一家以研发CPU处理器为主的美国公司，也是全球最大的个人计算机和CPU制造商，拥有50年的产品创新和市场领导历史。本文选取了1998年11月28日至2018年11月28日的日数据收益率，对其进行了时间序列分析。

（一）数据可视化

从图2.1可见，股票的收盘价呈现上涨趋势，但2000年后有一波下跌，表明序列是非平稳的。

图2.2展示了开盘价和收盘价数据之间的相关散点图，当价格低于40时，开盘价和收盘价之间的差距不大，但价格高于40时，两者之间的差距波动加大。

将原序列取对数查分后的数据，即股票的收益率，画出时序图。

（二）平稳性检验

通过acf、pacf和单位根诊断图检验数据是否为白噪声、单位根平稳ARCH效应。结果表明，序列是平稳的，可以进行ARIMA模型定阶。

（三）ARCH模型的建立

1. 均值模型的建立

通过arima函数自动定阶建立arima(1,0,2)的均值模型。

2. ARCH模型的建立

建立arch(1,1)模型，得到的参数如图2.11。

3. 模型的检验

通过Box-Ljung(p-value > 0.05)的检验，可知该模型的残差为一个白噪声序列，因此该模型是合理的。

4. 模型预测

预测五期后的值分别为：-0.000199，-0.000254,0.00005566,0.000248,0.000368。从预测效果来看，波动并不大，说明英特尔公司的市场价波动小，运营稳定。

##将上面结果改为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、结论

本案例选取了1998年11月28日至2018年11月28日的日数据收益率进行数据分析。对数据建模（ARCH、GARCH模型），得出该数据服从模型。预测五期后的值分别为：-0.000199，-0.000254,0.00005566,0.000248,0.000368。从预测效果来看，波动并不大，说明英特尔公司的市场价波动小，运营稳定。

⑶ 如何用Arma模型做股票估计

时间序列分析是经济领域应用研究最广泛的工具之一,它用恰当的模型描述历史数据随时间变化的规律,并分析预测变量值。ARMA模型是一种最常见的重要时间序列模型,被广泛应用到经济领域预测中。给出ARMA模型的模式和实现方法,然后结合具体股票数据揭示股票变换的规律性,并运用ARMA模型对股票价格进行预测。
选取长江证券股票具体数据进行实证分析
1.数据选取。
由于时间序列模型往往需要大样本,所以这里我选取长江证券从09/03/20到09/06/19日开盘价,前后约三个月,共计60个样本,基本满足ARMA建模要求。
数据来源:大智慧股票分析软件导出的数据(股价趋势图如下)
从上图可看出有一定的趋势走向,应为非平稳过程,对其取对数lnS,再观察其平稳性。
2.数据平稳性分析。
先用EVIEWS生成新序列lnS并用ADF检验其平稳性。
(1)ADF平稳性检验,首先直接对数据平稳检验,没通过检验,即不平稳。
可以看出lnS没有通过检验,也是一个非平稳过程,那么我们想到要对其进行差分。
(2)一阶差分后平稳性检验,ADF检验结果如下,通过1%的显著检验,即数据一阶差分后平稳。
可以看出差分后,明显看出ADF Test Statistic 为-5.978381绝对值是大于1%的显著水平下的临界值的,所以可以通过平稳性检验。
3.确定适用模型,并定阶。可以先生成原始数据的一阶差分数据dls,并观测其相关系数AC和偏自相关系数PAC,以确定其是为AR,MA或者是ARMA模型。
(1)先观测一阶差分数据dls的AC和PAC图。经检验可以看出AC和PAC皆没有明显的截尾性,尝试用ARMA模型,具体的滞后项p,q值还需用AIC和SC具体确定。
(2)尝试不同模型,根据AIC和SC最小化的原理确定模型ARMA(p,q)。经多轮比较不同ARMA(p,q)模型,可以得出相对应AIC 和 SC的值。
经过多次比较最终发现ARMA(1,1)过程的AIC和SC都是最小的。最终选取ARIMA(1,1,1)模型作为预测模型。并得出此模型的具体表达式为:
DLS t = 0.9968020031 DLS (t-1)- 1.164830718 U (t-1) + U t
4.ARMA模型的检验。选取ARIMA(1,1,1)模型,定阶和做参数估计后,还应对其残差序列进行检验,对其残差的AC和Q统计检验发现其残差自相关基本在0附近,且Q值基本通过检验,残差不明显存在相关,即可认为残差中没有包含太多信息,模型拟合基本符合。
5.股价预测。利用以上得出的模型,然后对长江证券6月22日、23日、24日股价预测得出预测值并与实际值比较如下。
有一定的误差,但相比前期的涨跌趋势基本吻合,这里出现第一个误差超出预想的是因为6月22日正好是礼拜一,波动较大,这里正验证了有研究文章用GARCH方法得出的礼拜一波动大的结果。除了礼拜一的误差大点,其他日期的误差皆在接受范围内。
综上所述,ARMA模型较好的解决了非平稳时间序列的建模问题,可以在时间序列的预测方面有很好的表现。借助EViews软件,可以很方便地将ARMA模型应用于金融等时间序列问题的研究和预测方面,为决策者提供决策指导和帮助。当然,由于金融时间序列的复杂性,很好的模拟还需要更进一步的研究和探讨。在后期,将继续在这方面做出自己的摸索。

⑷ SPSS-数据分析之时间序列分析

当数据与时间息息相关，常具有周期性的变化规律，此时，时间序列分析是一个很好的发现分析及预测其发展变化的统计方法，接下来简要分享统计分析软件SPSS中时间序列分析的操作。

问：什么是时间序列？

答：时间序列是时间间隔不变的情况下收集的不同时间点数据集合。

问：那时间序列分析又是什么？

答：时间序列分析是通过研究历史数据的发展变化规律来预测事物的未来发展的统计学方法。公司营业额、销售额，人口数量，股票等方面的变化预测皆可通过此统计方法。

SPSS中的操作

首先，对数据进行 预处理：

1.查看数据是否有缺失，若有，不便后续处理，则需进行替换缺失值。

转换→替换缺失值→选择新变量→输入新变量名称、选择替换缺失值方法。

2.定义日期

数据→定义日期和时间

3.平稳性检验（平稳性指的是期望不变，方差恒定，协方差不随时间改变）

检验方法：时序图检验、自相关图检验等。可通过创建时间序列实现数据的平稳化

转换→创建时间序列

结果（例：运行中位数——跨度为1，则等于原数据）

数据预处理后对数据进行分析研究——序列图、谱分析、自相关等。

1.序列图：分析→时间序列预测→序列图→根据需要选择变量、时间轴标签等。

结果（例）：可观察数据的大致波动情况。

2.谱分析：分析→时间序列预测→谱分析→根据需要选择变量、图表。

结果（例）

对于周期变化的数据，主要用于侦测系统隐含的周期或者节律行为；

对于非周期的数据，主要用于揭示系统演化过程的自相关特征。

3.自相关：分析→时间序列预测→自相关→选择变量及其他。

结果：

解读：直条高低代表自相关系数的大小，横轴1-16代表自相关的阶数，上下线之间是不具有统计学意义的，偏自相关是去除自相关系数的关联性传递性之后，用偏自相关系数考察剩余的相关性是否还存在。

关于SPSS时间序列分析的简要介绍就结束啦！

END

文 | FM

⑸ 非平稳时间序列可以预测股票走势吗

一般把非平稳时间序列转化为平稳时间序列的方法是取n阶差分法。

比如举个例子版，假设xt本身是不平稳权的时间序列，如果xt～I(1) ,也就是说x的1阶差分是平稳序列。
那么 xt的1阶差分dxt=x(t)-x(t-1) 就是平稳的序列 这时dt=x(t-1)

如果xt～I(2)，就是说xt的2阶差分是平稳序列的话
xt的1n阶差分dxt=x(t)-x(t-1) 这时xt的1阶差分依然不平稳，
那么 对xt的1阶差分再次差分后，
xt的2阶差分ddxt=dxt-dxt（t-1）便是平稳序列 这时dt=-x(t-1)-dxt（t-1）

n阶的话可以依次类推一下。

⑹ 谁用excel帮我收集任一只股票30个交易日的收盘价与所在市场的同期的收盘指数，万分感激~~~

请问你是想做对比曲线吗？比较个股对比大盘的强弱，来看个股是否有庄家介入？以及庄家的实力？

时间 中体产业收盘 上证收盘
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

看着有点累，将就吧，做好了EXCEL表格，不知道怎么发给你