一种基于时间序列的煤炭行业股价预测方法技术

一种基于时间序列的煤炭行业股价预测方法，包括如下步骤：S1、获取目标股票的价格序列，并且将价格序列转换为时间序列；S2、对时间序列进行预处理，并且进行平稳性检验；S3、根据平稳性检验的结果构建乘积季节模型；S4、估计乘积季节模型中的参数；S5、对乘积季节模型进行检验，若检验通过则执行S6，否则返回S4；S6、利用乘积季节模型对目标股票进行预测。本发明专利技术提供一种基于时间序列的煤炭行业股价预测方法，预测结果准确度高。

A forecasting method of coal industry stock price based on time series

【技术实现步骤摘要】
一种基于时间序列的煤炭行业股价预测方法
本专利技术涉及股价预测
，具体的说是一种基于时间序列的煤炭行业股价预测方法。
技术介绍
煤炭是我国的主要能源之一，是股票能源板块的重要组成成分。煤炭行业正加快向现代煤化工这一新兴产业转型，向进行绿色能源领域发展，因此煤炭行业具有良好的发展机遇，煤炭股也就具有研究价值。煤炭行业受季节性影响较大，冬季是煤炭的消费旺季，煤炭的价格在冬季前后会因为季节利好而上升，因此煤炭行业的股票也会随之上涨。所以一般的煤炭行业股票为非平稳的含有季节效应的时间序列。因为煤炭行业股票的特殊性，导致现有的很多股价预测方法均不能够很好地应用到煤炭行业股票上。
技术实现思路
为了解决现有技术中的不足，本专利技术提供一种基于时间序列的煤炭行业股价预测方法，预测结果准确度高。为了实现上述目的，本专利技术采用的具体方案为：一种基于时间序列的煤炭行业股价预测方法，包括如下步骤：S1、获取目标股票的价格序列，并且将价格序列转换为时间序列；S2、对时间序列进行预处理，并且进行平稳性检验；S3、根据平稳性检验的结果构建乘积季节模型；S4、估计乘积季节模型中的参数；S5、对乘积季节模型进行检验，若检验通过则执行S6，否则返回S4；S6、利用乘积季节模型对目标股票进行预测。作为一种优选方案，S1中，时间序列表示为{Xt，t∈Τ}，其中Xt为目标股票的收盘价，t为时刻，T为价格序列对应的时间区间。作为一种优选方案，S2中，对时间序列进行预处理的方法为2阶12步差分，平稳性检验的方法为单位根检验。作为一种优选方案，S3的具体方法为：S3.1、构建初始预测模型ARIMA(p,d,q)×(P,D,Q)S：其中，的含义为xt的先d阶后D阶差分序列等价于对xt的先d阶差分再D阶差分的序列建立自回归移动平均模型，Φ(B)＝1-φ1B-…-φpBp为p阶自回归系数多项式，Θ(B)＝1-θ1B-…-θqBq为q阶移动平均系数多项式，ΦS(B)＝1-φ1BS-…-φPBPS是周期步长为S的P阶自回归系数多项式，ΘS(B)＝1-θ1BS-…-θQBQS是周期步长为S的Q阶移动平均系数多项式；S3.2、构建S2中差分后的时间序列的自相关图和偏自相关图；S3.3、基于自相关图和偏自相关图中的自相关系数和偏自相关系数拟合估计初始预测模型的阶数p和q，得到乘积季节模型。作为一种优选方案，S4中，利用最小二乘法对乘积季节模型中的参数进行估计。作为一种优选方案，S5中，检验的方法为对乘积季节模型的残差序列进行白噪声检验。有益效果：本专利技术基于时间序列对股票价格进行预测，综合考虑了煤炭行业股票的趋势性和季节性，预测结果准确度高。附图说明图1是本专利技术的流程图；图2是具体实施方式中山西焦化的股价数据样本示意图；图3是对时间序列进行差分后得到的时序图；图4是S3中基于EViews8软件利用最小二乘法对参数进行估计的结果图；图5是白噪声检验的结果图；图6是预测值与实际值的对比结果图；图7是预测值与置信区间的相对关系结果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。请参阅图1，一种基于时间序列的煤炭行业股价预测方法，包括S1至S6。S1、获取目标股票的价格序列，并且将价格序列转换为时间序列。S1中，价格序列由目标股票的收盘价组成，时间序列表示为{Xt，t∈Τ}，其中Xt为目标股票的收盘价，t为时刻，T为价格序列对应的时间区间。在本实施例中，选用山西焦化2014年1月到2018年12月的月收盘价，共55个样本数据作为价格序列，如图2所示。S2、对时间序列进行预处理，并且进行平稳性检验。S2中，对时间序列进行预处理的方法为2阶12步差分，平稳性检验的方法为单位根检验。因为煤炭行业股票受季节影响较大，冬季时市场对煤炭的需求量增大，会促使煤炭行业股票上涨，因此得到的时间序列通常是具有趋势性和季节性的非平稳时间序列，所以需要进行处理，以方便后续建模和分析。通过2阶12步差分，可以提取出时间序列趋势和季节效应，差分后的时间序列的时序图如图3所示。S3、根据平稳性检验的结果构建乘积季节模型。S3的具体方法为S3.1至S3.3。S3.1、构建初始预测模型ARIMA(p,d,q)×(P,D,Q)S：其中，的含义为xt的先d阶后D阶差分序列等价于对xt的先d阶差分再D阶差分的序列建立自回归移动平均模型，Φ(B)＝1-φ1B-…-φpBp为p阶自回归系数多项式，Θ(B)＝1-θ1B-…-θqBq为q阶移动平均系数多项式，ΦS(B)＝1-φ1BS-…-φPBPS是周期步长为S的P阶自回归系数多项式，ΘS(B)＝1-θ1BS-…-θQBQS是周期步长为S的Q阶移动平均系数多项式。一般情况下，时间序列的趋势效应和季节效应存在复杂的交互关系，所以本专利技术中采用乘积季节模型来进行建模，可以同时考虑到趋势效应、季节效应和随机波动，从而提升股价预测的精确度。S3.2、构建S2中差分后的时间序列的自相关图和偏自相关图。在初始预测模型ARIMA(p,d,q)×(P,D,Q)S中存在许多未确定的参数，这些参数可以通过一定的数据样本得出，因此在这里直接利用由目标股票的价格序列生成的时间序列作为数据样本，以保证参数的准确度和与目标股票的契合度。S3.3、基于自相关图和偏自相关图中的自相关系数和偏自相关系数拟合估计初始预测模型的阶数p和q，得到乘积季节模型。在本实施例中，经过S3.3处理后得到的乘积季节模型可以表示为ARIMA(4,2,0)×(1,1,1)12，具体结构为：S4、估计乘积季节模型中的参数。S4中，利用最小二乘法对乘积季节模型中的参数进行估计，得到S3结束后，确定了阶数p和q得到了ARIMA(4,2,0)×(1,1,1)12，但是ARIMA(4,2,0)×(1,1,1)12仍然存在很多未知参数，因此不能够直接进行预测，需要进一步对参数进行估计。在本实施例中，基于EViews8软件利用最小二乘法进行估计，估计结果如图4所示。在该过程中，可以直接对ARIMA(4,2,0)×(1,1,1)12进行参数检验，从模型参数检验的结果来看，ARIMA(4,2,0)×(1,1,1)12模型的所有参数通过了显著性检验，t检验的P值均显著小于0.05，说明该模型顺利通过了参数显著性检验。S5、对乘积季节模型进行检验，若检验通过则执行S6，否则返回S4。S5中，检验的方法为对乘积季节模型的残差序列进行白噪声检验。检验结果如图5所示，白噪声检验显示本文档来自技高网...

【技术保护点】
1.一种基于时间序列的煤炭行业股价预测方法，其特征在于：包括如下步骤：/nS1、获取目标股票的价格序列，并且将价格序列转换为时间序列；/nS2、对时间序列进行预处理，并且进行平稳性检验；/nS3、根据平稳性检验的结果构建乘积季节模型；/nS4、估计乘积季节模型中的参数；/nS5、对乘积季节模型进行检验，若检验通过则执行S6，否则返回S4；/nS6、利用乘积季节模型对目标股票进行预测。/n

【技术特征摘要】
1.一种基于时间序列的煤炭行业股价预测方法，其特征在于：包括如下步骤：
S1、获取目标股票的价格序列，并且将价格序列转换为时间序列；
S2、对时间序列进行预处理，并且进行平稳性检验；
S3、根据平稳性检验的结果构建乘积季节模型；
S4、估计乘积季节模型中的参数；
S5、对乘积季节模型进行检验，若检验通过则执行S6，否则返回S4；
S6、利用乘积季节模型对目标股票进行预测。


2.如权利要求1所述的一种基于时间序列的煤炭行业股价预测方法，其特征在于：S1中，时间序列表示为{Xt，t∈Τ}，其中Xt为目标股票的收盘价，t为时刻，T为价格序列对应的时间区间。


3.如权利要求2所述的一种基于时间序列的煤炭行业股价预测方法，其特征在于：S2中，对时间序列进行预处理的方法为2阶12步差分，平稳性检验的方法为单位根检验。


4.如权利要求3所述的一种基于时间序列的煤炭行业股价预测方法，其特征在于：S3的具体方法为：
S3.1、构建初始预测...

【专利技术属性】
技术研发人员：郭海刚，黎俊德，侯平军，常志勇，张瑞民，
申请(专利权)人：河南科技大学，
类型：发明
国别省市：河南;41