国际期刊投稿平台
登录 | 注册
当前位置： 首页 > 经济管理前沿 > 基于时间序列模型的X集团股价预测研究
经济管理前沿

经济管理前沿

Frontiers in Economics and Management

  • 主办单位: 
    未來中國國際出版集團有限公司
  • ISSN: 
    3079-3696（P）
  • ISSN: 
    3079-9090（O）
  • 期刊分类: 
    经济管理
  • 出版周期: 
    月刊
  • 投稿量: 
    3
  • 浏览量: 
    486

相关文章

暂无数据

基于时间序列模型的X集团股价预测研究

Application of Time Series Models in Stock Price Forecasting for X Group

发布时间：2025-12-03
作者: 王卓,胡猛,刘娇 :重庆城市科技学院经济管理学院 重庆;
摘要: 股票价格预测是资本市场投资者决策、企业市值管理的核心需求，尤其对业务横跨消费电子、智能制造的X集团而言，其股价受多维度因素影响，精准预测具有重要现实意义。本文以X集团股票价格为研究对象，探讨了时间序列分析模型在金融股价预测中的应用，运用了AR（自回归）、MA（移动平均）、ARMA（自回归移动平均）及ARIMA（差分自回归移动平均）等模型，对X集团的历史股价数据进行建模与分析。实证结果表明，时间序列模型能够有效地捕捉股价的动态特征，为企业价值评估和投资决策提供定量参考。本研究也为本科阶段的计量经济学与金融时间序列分析教学提供了典型的案例素材。
Abstract: Stock price forecasting is a core requirement for investor decision-making in the capital market and corporate market value management. For X Group, its stock price is influenced by multi-dimensional factors, making accurate forecasting of great practical significance. This study takes X Group's stock price as the research object, explores the application of time series analysis models in financial stock price forecasting, and employs models such as AR (utoregressive), MA (moving average), ARMA (autoregressive moving average), and ARIMA (autoregressive integrated moving average) to model and analyze X Group's historical stock price data. The empirical results show that time series models can effectively capture the dynamic characteristics of stock prices and provide quantitative references for corporate value evaluation and investment decisions. This study also provides typical case materials for the teaching of econometrics and financial time series analysis at the undergraduate level.
关键词: 时间序列分析；股价预测；ARIMA模型
Keywords: time series analysis; stock price forecasting; ARIMA model

引言

股票价格预测是金融经济学与投资实践的核心议题。对投资者而言，精准预测是识别机会、优化配置和管理风险的关键。以X集团为例，其业务横跨智能手机、AIoT和智能电动汽车等多个前沿领域，其股价波动不仅是公司经营的晴雨表，更是市场评估中国高科技产业的重要风向标。然而，股价预测面临显著挑战。股市是一个受基本面、宏观政策、市场情绪及突发事件等多重因素交织影响的复杂系统，导致股价序列呈现出非平稳、非线性的高波动性特征。传统预测模型常存在参数不稳定、精度不足以及对噪声敏感等局限性，使得构建稳健可靠的预测模型异常困难。为应对上述挑战，本文选取了计量经济学中经典且应用广泛的时间序列分析模型作为研究方法。重点围绕AR（自回归）、MA（移动平均）、ARMA（自回归移动平均）及ARIMA（差分自回归移动平均）等模型，构建一套适用于X集团股价的专用分析框架。

本研究旨在通过严谨的实证建模，达成两个核心目标：一是深入探索这些传统统计模型在当今复杂金融市场中的实用价值与局限性；二是为金融时间序列分析的相关研究与课程教学提供一个完整、可操作的典型案例。

一、研究数据来源及清洗

本部分使用python编程语言中财经数据库akshare、matplotlib、pandas、numpy、scipy、statsmodels等库完成，由于X是港股上市公司，故使用财经数据库akshare中的港股历史数据接口stock_hk_daily_hfq_df获取X集团股票价格数据，该数据集包含日期（date）、开盘价（open）、最高价（high）、最低价（low）、收盘价（close）和成交量（volume）等数据，部分数据情况见表1所示。

表1 X集团历史股票价格概览
date open high low close volume
0 2018-07-09 16.60 17.00 16.00 16.80 462182642
1 2018-07-10 17.00 19.34 17.00 19.00 534072218
2 2018-07-11 18.50 19.80 18.30 19.00 374721138
3 2018-07-12 19.40 19.70 19.02 19.26 132592630
4 2018-07-13 19.60 21.80 19.52 21.45 364065075
... ... ... ... ... ... ...
1631 2025-02-24 52.20 52.35 51.05 51.60 208345620
1632 2025-02-25 49.80 53.90 49.80 53.20 332349383
1633 2025-02-26 54.25 56.80 53.10 56.30 395453828
1634 2025-02-27 56.60 58.70 51.40 53.10 842011809
1635 2025-02-28 55.75 55.75 50.65 51.85 667093154

注：1636 rows * 6 columns

进一步，绘制如图1所示的X集团的港股收盘价格指数图，可以发现X集团的股票价格是一个非平稳时间序列，故而接下来对该数据进行一阶差分和二阶差分，并且将原始数据（close）、股票价格涨跌率数据（rate）、一阶差分（closeDiff_1）和二阶差分（closeDiff_2）数据放在同一幅图（即图2）中进行对比，可以发现，在图2中股票价格涨跌率数据、一阶差分和二阶差分数据都是平稳数据。

图形用户界面, 图表, 折线图 AI 生成的内容可能不正确。
图1 X集团港股收盘指数历史价格概览
图片包含 图表 AI 生成的内容可能不正确。
图2 close、rate、closeDiff_1、closeDiff_2数据对比

二、数据自相关检验

为了保证后续使用数据的平稳性，进一步对数据进行自相关检验，计算自相关系数及p-value，相关结果见表2所示。从表2可以发现，P值显著小于0.05，故拒绝原假设，X集团港股收盘价格具有相关性，需要进行差分处理。

表2 自相关检验
lag AC Q P-value
1.0 0.990013 1604.467718 0.0
2.0 0.979571 3176.230755 0.0
3.0 0.967685 4711.021399 0.0
4.0 0.956910 6212.746211 0.0
5.0 0.946608 7683.212377 0.0
6.0 0.936043 9121.918668 0.0
7.0 0.926616 10532.659520 0.0
8.0 0.917151 11915.577467 0.0
9.0 0.907991 13271.844170 0.0
10.0 0.900566 14606.842057 0.0

三、AR模型

（一）AR模型的平稳性

本部分对AR模型的平稳性进行检验，检验结果如图3所示。进一步，画出AR模型的特征根进行检验，相关结果见图4所示。通过模型的平稳性检验和特征根可以发现，该数据是平稳时间序列。

图表 AI 生成的内容可能不正确。
图3 AR模型的平稳性检验
图表, 散点图 AI 生成的内容可能不正确。
图4 AR模型的特征根

（二）AR模型的定阶

本部分绘制时间序列数据的偏自相关函数（partial autocorrelation function，PACF）图，结果如图5所示。从图中可以发现，模型阶次在30阶以上。

图表 AI 生成的内容可能不正确。
图5 AR模型的PACF图

（三）AR模型的检验

本部分计算模型的残差，画出模型的残差图，如图6所示。进一步计算出残差的自相关系数检验结果，见表3所示。通过以上检验可以发现，残差无自相关。

图表, 折线图 AI 生成的内容可能不正确。
图6 AR模型残差的序列
表3 AR模型残差的自相关检验结果
lag AC Q P-value
1.0 -0.002137 0.007429 0.931316
2.0 0.003310 0.025264 0.987447
3.0 -0.001042 0.027031 0.998828
4.0 0.002416 0.036547 0.999835
5.0 -0.001022 0.038251 0.999985
6.0 -0.001967 0.044567 0.999998
7.0 -0.004218 0.073616 0.999999
8.0 -0.006565 0.144033 0.999999
9.0 -0.000001 0.144033 1.000000
10.0 -0.003189 0.160677 1.000000

（四）AR模型的预测

将原有样本分为训练集和测试集，使用AR模型进行预测，预测结果见表4所示。可以发现，使用简单的AR模型预测的效果不是很好，故进一步考虑使用更多时间序列模型进行预测。

表4 AR模型的预测结果
original predict
0 0.010067 -0.004658
1 0.071982 0.002227
2 0.021694 0.000685
3 -0.006067 0.002799
4 0.051882 0.006151
5 -0.001934 0.00888
6 0.031008 -0.002224
7 0.058271 0.005007
8 -0.056838 -0.003637
9 -0.023540 0.005538

四、MA模型的建立和预测

为了更加准确的对X集团的股票价格进行预测，进一步使用MA（移动平均）模型进行预测，预测结果见图7所示，根据图7的结果可知，虽然MA（移动平均）模型相比AR模型的预测有了更好的表现，但是仍然不够精准。故进一步考虑更多时间序列模型进行预测。

图表, 折线图 AI 生成的内容可能不正确。
图7 MA模型的预测结果

五、ARMA模型的建立和预测

为了更加准确的对X集团的股票价格进行预测，进一步使用ARMA模型进行预测，预测结果见图8所示，根据图8的结果可知，虽然ARMA模型相比前面的时间序列模型的预测有了更好的表现，但是仍然不够精准。故进一步考虑更多时间序列模型进行预测。

图表, 折线图 AI 生成的内容可能不正确。
图8 MA模型的预测结果

六、ARIMA模型的建立和预测

为了更加准确的对X集团的股票价格进行预测，进一步使用ARIMA模型进行预测并对时间序列数据进行单位根检验，检验结果见表5所示，表5的结果显示P值为0.9975，故时间序列是非平稳的。因此，接下来对原时间序列数据进行差分处理。

将经过差分处理后平稳的时间序列进行预测，预测结果见9所示，根据图9的结果可知，相对前面的预测结果，本部分的预测有了进一步提升。

表5 ARIMA模型的单位根检验结果
Value
Test Statistic Value 1.490964
p-value 0.997491
Lags Used 13
Number of Observations Used 1621
Critical Value(1%) -3.434391
Critical Value(5%) -2.863325
Critical Value(10%) -2.56772
图9 ARIMA模型的预测结果

参考文献：

  1. [1] 张思,刘叶,金浩.基于改进Ratio统计量的重尾AR(p)时间序列均值变点检验[J].统计与决策,2024,40(02):52-57.
  2. [2] 董红斌,韩爽,付强.基于AR与DNN联合模型的地理传感器时间序列预测[J].计算机科学,2023,50(11):41-48.
  3. [3] 吴波妮.基于时间序列模型的杭州市GDP预测[J].企业改革与管理,2019(23):212-213.
  4. [4] 叶静.基于贝叶斯的金融时间序列预测研究[J].滁州学院学报,2017,19(05):55-58.
  5. [5] 潘媛.时间序列分析在金融中的应用[J].经贸实践,2017(18):102.
联系我们
人工客服，稿件咨询
投稿
扫码添加微信
客服
置顶