一、引言
中国股市自1989年试点建立后，受1995年“327国债期货事件”影响，迎来了大发展。此后的几年里，国有股成为国家管理的重点对象。2005年，中国证监会提出了股权分置改革，引发了许多新争议。
随着改革的不断深化，我国资本市场迅速发展。股票市场作为我国金融体系的重要组成部分，是资金运转和流通的通道，因此政策制定者应该对股票市场的健康良好运转进行重点监控。而作为反映股市发展的股价，也被越来越多的人关注。上证指数作为综合反映股市的指标，可以较好地代表股市发展情况。本文选取的样本为2016年6月13日至 冰川运动2019年5月31日的上证指数收盘价，在此基础上，对其构
建ARIMA 模型进行时间序列的预测分析，以期为投资者和企业家在选取股票时提供方向，并为政府制定相关政策提供更好的依据。 二、文献综述
杨金刚（2016）建立了ARMA 模型，选取数据为上证指数收盘价月度数据，对未来6个月的上证指数收盘价进行预测，并与实际值进行比较。结果证明，上证指数收盘价的
ARMA （1,9）的预测值与实际值拟合效果较好。赵力衡（2018）
提出开盘价和收盘价反映了股票走势，预测价值较大，但两者意义相似。陈小玲（2018）采用了ARIMA 模型和BP 神经网络对百度、阿里巴巴两支股票的收盘价进行建模与预测，并对比了两模型的预测精度，结果表明，两种预测模型都达到比较理想的预测精度和短期预测可行的效果。
因此，本文认为可以利用ARIMA 模型对上证指数进行短期预测，对投资者和政策制定者有良好的指导作用。
三、实证研究（一）数据采集
本文选取了2016年6月13日至2019年5月31日的数据，除去节假日共获得724个样本数据（数据来源：同花顺
数据库）。本文将根据724个样本数据进行实证研究，得出相关结论并为投资者和决策者提供一个判断依据，以及为政府提供政策依据。
（二）时间序列平稳性处理
通过Eviews 做出原始数据的序列图，发现序列不平稳，因此对获取的初始数据（上证指数的收盘价格）进行一阶差分。其中，X T 代表的是上证指数在第T 个交易日的收盘价，
X T-1代表的是上证指数在T-1个交易日的收盘价。因此，Y=X T -X T-1代表的是样本数据的一阶差分。通过计算后，本文的
样本容量变为723。使用单位根方法（ADF 检验法）检验一阶差分后的平稳性，结果如表1所示。
表1
一阶差分的ADF 检验结果
由表1可知，检验t 统计量的P 值为0，所以拒绝原假设，即一阶差分序列是白噪声序列，是平稳的。
（三）模型的建立
综上分析，由于本文数据的一阶差分是平稳时间序列，所以本文选取ARIMA （P ，d ，q ）模型。
1.模型参数的确定。首先，通过上文的分析可知d=1。其
次，根据偏自相关系数和自相关系数都是3阶截尾，所以初步确定P=3，q=3。最后，P=3以及q=3时AIC 的值最小，为
9.630019。根据信息最少化原则，可以确定P=3，q=3。
因此，建立ARIMA （3，1，3）模型，模型的参数估计结果如表２所示。
表2
模拟结果
基于ARIMA 模型对上证指数的分析与预测
邹志远
摘要：本文通过对2016年6月13日至2019年5月31日的上证指数收盘价进行时间序列分析，共获得724个样本数据，并对其构建ARIMA （3，1，3）模型。通过实证分析，得出以下结论：从短期看，ARIMA 模型具有较好的预测能力，能够作为金融投资的一个决策工具；但从长期来看，其时效性相对较差。最后，在此分析基础上，为中国金融市场上的投资者以及政策制定者提出一些建议。
冰点渗透压
关键词：ARIMA 模型；ADF 检验；上证指数中图分类号：F224；F832.51
文献标识码：A
南传术数
作者单位：陕西师范大学国际商学院
Augmented Dickey-Fuller test statistic
-10.045600.0000
Test critical values ：
1%level
-3.4392555%level -2.86536010%level
-2.568861
sr2mt-Statistic
Prob.*Variable C AR （3）MA （3）
Coefficient 0.050248-0.3702330.509265
Std.Error 1.2215910.1998210.185167
t-Statistic 0.041133-1.8528232.750304
Prob.0.96720.06430.0061
国际扫盲日经济纵横
36
２０21年第3
期2.参数估计。从表2可以看出，除了常数项，其他项的参
数估计P 值小于0.10，从而可以得出，该模型在10%的显著水平下是显著的。故可以得到以下模型：
DX T =0.050248-0.370233DX T-3-0.509265εT-3阿片类化合物
（四）模型检验
为了检验模型的有效性，对估计模型的残差序列做白噪声检验。根据残差相关图，无论是ARIMA （3，1，3）模型的残差序列自相关，还是偏相关，均落在两倍标准差内，且P 值均大于0.05，说明本文中的ARIMA （3，1，3）模型产生的随机误差项是白噪声序列，该模型通过检验，是有效的。
（五）模型预测
模型可以用于上证指数的预测已经得到验证，接下来我们进行模型预测。本文进行动态预测，预测了自2019年5月
31日后（除去节假日）的7个交易日预测值，并得到了在这
未来的7个交易日中预测值与真实值的对比（表3）。其中，真实值来源于同花顺数据库。
表3
实际值与预测值的比较
由表3可以看出，上证指数收盘价的真实值和预测值的误差都在1%内，因此，ARIMA(3,1,3)模型有较为准确的预测效果，其对股票价格的短期预测具有一定的可行性。
四、结论（一）模型评价
目前，用于预测时间序列趋势的方法多种多样，每个方法都有自己的优势，但同样也都存在一定的不足之处。本文实证分析所采用的ARIMA 模型，可以作为评判金融投资的一个决策工具。但要注意到，在模型预测中，预测结果与实际发生值在未来的前五个交易日的误差比较小，之后误差比有增大的趋势。在一定程度上说明该模型比较适用于股价的短期预测，长期预测则需要建立其他模型。
（二）建议
股票市场除了自身的波动外，还会受到多种外部因素的干扰。结合新冠肺炎疫情的不确定性和国际形势变动性，加之中国正处于经济转型的关键时期，本文对股市投资者和政策制定者如何应对这种局面，提出以下几点建议：
1.投资者。
（1）运用模型进行短期预测。投资者可以在整理前期股票数据的基础上，通过运用ARIMA 模型对股票走向进行短期预测，从而在短期内帮助投资者对股票走向做出良好的预测，使投资者能够在市场上实现利益最大化或亏损最小化。
（2）争取做到理性投资。投资者应该对当前的国内环境与国际环境做出一个大致的判断，才能对自己所采取的行动进行预判。投资者需要做好自身的风险防控，在实现利益最大化的目标下审时度势，尽可能地根据模型预测制订自己最好的投资方案。
2.政策制定者。
（1）选择合适的政策。政府应通过分析模型得出的结果，采取准确的措施来引导股市平稳发展。比如，当ARIMA 模型得出的股市走向趋于低迷时，政府应出台一些对呈现下行趋势的行业或产品有利的
政策，以鼓励大家对其进行投资，使这些股票得以回升，防止股市的剧烈波动。
（2）加强政府监管。随着我国国际地位逐渐提高，我国股票市场面临的风险逐渐复杂化。因此，政府应该完善上市公
司的信息披露制度，减少信息不对称引起的市场失灵。在加强金融监管力度的同时，做到事前防范危害，事中遏制风险，事后降低损害。
参考文献：
[1]李美，干晓蓉，刘新乐.ARIMA 模型在股价预测上的
应用及其傅里叶修正[J].云南师范大学学报（自然科学版），
2011，31（05）：50-55.
[2]吴玉霞，温欣.基于ARIMA 模型的短期股票价格预测[J].统计与决策，2016（23）：83-86.
[3]骆桦，陈艳飞.基于小波与动态GM(1，1)-ARIMA 模
型的股价预测研究[J].浙江理工大学学报（自然科学版），2017，37（04）：575-579.
[4]李晓先.基于ARIMA 模型对上证指数趋势的预测[J].
辽宁经济，2017（07）：94-96.
[5]王亚红，程希明.基于财务指标的股价预测模型及实
证研究[J].区域金融研究，2018（09）：35-38.
[6]杨春静.基于时间序列模型的股价预测[J].西部皮革，2018，40（12）：98-99.
[7]赵力衡.基于SPSS Modeler 的股票走势预测建模及应
用研究[J].电脑知识与技术，2018，14（07）：256-257.
[8]张颖超，孙英隽.基于ARIMA 模型的上证指数分析与
预测的实证研究[J].经济研究导刊，2019（11）：131-135.
时间
2019/6/32019/6/42019/6/52019/6/62019/6/102019/6/112019/6/12
真实值
2890.082862.282861.422827.82852.132925.722909.38
预测值
2900.262896.7512893.5532893.0442894.2982894.5552894.117
误差比
-0.00352-0.01204-0.01123-0.02307-0.014780.0106520.005246
经济纵横
37
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议