矩阵实验室

系统中某一因素变量的时间序列数据没有确定的变化形式，也不能用时间的确定函数描述，但可以用概率统计方法寻求比较合适的随机模型近似反映其变化规律。(自变量不直接含有时间变量,但隐含时间因素)1． 自回归AR(p)模型（R：模型的名称 P：模型的参数）（自己影响自己，但可能存在误差，误差即没有考虑到的因素）(1)模型形式（εt越小越好，但不能为0：ε为0表示只受以前Y的历史的影响不受其他因素影响）

1. 自相关函数自相关函数：Autocorrelation Function（ACF） ，是时间序列分析的基础，没有这个就不用分析了。 下面提到的几点都是以这个概念为基础的。 自相关系数是从相关系数演变出来的，是用来表述时间序列中k个间隔的单元存在的相关性。 参考：金融时间序列分析：2. 数学分析模型k阶自相关函数： γk=Cov(Yt,Yt−k)=E[(Yt−μ)(Yt−k−μ)]\gam

0. 目录金融时间序列分析：9. ARMA自回归移动平均模型 金融时间序列分析：8. MA模型实例（Python） 金融时间序列分析：7. MA滑动平均模型 金融时间序列分析：6. AR模型实例 金融时间序列分析：5. AR模型实例（Python） 金融时间序列分析：4. AR自回归模型 金融时间序列分析：3. First Demo By Python 金融时间序列分析：2. 数学分析

本文简单介绍了ARMA模型，包括其模型公式，统计特征，预测与分析……ARMA简单来讲就是AR模型和MA模型的混合。ARMA模型的提出是为了客服在表达数据时，经常出现高阶AR模型或MA模型，高阶模型由于其参数过多，复杂度也较大。

本文简单介绍了，如何使用Python建立MA模型，并对时间序列数据进行分析和预测。1. 前言数据获取，预处理，定阶什么的参考前面几篇文章： 2. 建模与分析预测这个和以前那个AR模型基本一样，我也不多说了。

1. 前言AR和MA模型是时序数据分析两个最基本的模型。 AR仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受模型变量相互独立的假设条件约束，所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性等造成的困难简单来说：AR模型是通过分析研究历史数据对当前数据的影响进行建模。MA模型是用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。2. MA模

0. 前言前一篇写了如何用Python构建AR模型，但是由于不太熟悉，很多问题都没有说清楚，本文用R语言详细的讲一讲，算是为前面两篇文章补漏吧。主要内容：获取数据数据预处理定阶AR模型预测模型检测

本文简单谈谈如何用Python构建AR模型，并进行数据预测。 本文承接前文： 金融时间序列分析：3. First Demo By Python 这篇文章介绍了用Python获取数据、数据预处理、稳定性分析、以及定阶。在此，本文就不再介绍这些内容，直接进入AR模型部分。金融时间序列分析：4. AR模型1. 定阶在之前的文章简单介绍了定阶这个过程，这里在详细介绍下。 在前一篇文章中，我

AR模型AR模型：（Autoregressive Model）自回归模型，是时间序列分析模型中最简单的两个模型其中之一（另一个事MA模型）。利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型（AR）

1. 前言金融时间序列分析：1. 基础知识 金融时间序列分析：2. 数学分析模型前面2篇文章讲了金融时间序列分析的基础知识，本文简单介绍下怎么实战。 网上有很多用R语言进行金融时间序列分析的资料，但是用Python的不多，我在此介绍下怎么用Python操作，至于R语言怎么弄，读者随便在网上查查就好了。 PS: 在时间序列分析领域R比Python简单的多，如果单单是进行分析的话R就够了，但是要

1. 实例1.1 问题描述某机器正常情况下生产出的产品重量服从N(0.5， 0.015^2)。 现有一组产品重量如下： 0.497, 0.506, 0.518, 0.524, 0.498, 0.511, 0.520, 0.515, 0.512 问: 从样本看机器是否正常?1.2 问题分析用mumu, deltadelta分别代表产品重量的均值和方差 检验“机器是否正常”等价于检验“X是否服从

本文讲解了对时间序列数据分析的数学模型，其主要统计量为：均值、方差、自相关系数，ACF。之后讨论了时间序列的平稳性；最后提了下时间序列的平稳性检验：ACF和Ljung-Box检验

1. 金融时间序列1.1什么是时间序列金融时间序列是属于时间序列数据的一种，他们就是有很强的时间性，数据前后具有很强的依赖性，切无法调整顺序，一般都是二维数据。 时间序列由于具有很强的序列行，而且数据前后一般存在依赖，周期等关系，所以可以通过统计学的知识根据现有数据对未来数据进行预测。 1.2 金融时间序列的特性（1）Leptokurtic尖峰厚尾 金融时间序列相比标准正态分布来说，具有尖峰厚

众所周知，很多传统金融理论模型、现在的理论研究甚至实际应用都是构建在金融资产的收益率符合正态分布的假设前提下的。我们也听到了很多声音对于正态分布假设的批判，认为金融资产的收益率有非常明显的“尖峰肥尾”效应，进而把峰度、偏度等指标引入到资产收益率刻画的模型中来。     往往前人一说，尤其是牛人的paper，我们就容易相信，加上近几年黑天鹅频发，因此对于国内权益市场，我们也自然而然的

1. CAPM1.1 原理在上一篇文章《资产组合优化原理与实例 Portfolio Optimization 》中，就是运用了CAPM理论。资本资产定价模型（Capital Asset Pricing Model，CAPM)：是由美国学者夏普（William Sharpe）、林特尔（John Lintner）、特里诺（Jack Treynor）和莫辛（Jan Mossin）等人于1964年在资产组合

在前一片文章(SkLearn 对上证50成分股聚类 )中简单介绍了投资组合优化理论，在此进一步介绍下该理论，以及如何进行Portfolio Optimization。1. Markowitz投资组合理论Markowitz投资组合理论是投资组合优化的理论基础。 马克维茨被公认为是现代投资组合理论的开创者，他与夏普、米勒共同获得1952年的诺贝尔经济学奖。 1952年他在自己著名的论文《资产选择：有

1. 为什么要对股票进行聚类1.1 投资组合优化理论股票聚类的基本原因就是从股市中选取一部股票进行投资。哪怕是上证50对一般的投资模型来说50条股票也太多了。 按照投资组合优化理论选取标准为： （1）资产数越多越好 （2）资产之间相关系数越低越好以期望收益E来衡量证券收益，以收益的方差δ2δ^2表示投资风险 　　minδ2(rp)=∑∑wiwjcov(ri,rj)\min\delta^2(r

上证50成分股 上证50指数依据样本稳定性和动态跟踪相结合的原则，每半年调整一次成份股，调整时间与上证180指数一致。特殊情况时也可能对样本进行临时调整。 每次调整的比例一般情况不超过10％。样本调整设置缓冲区，排名在40名之前的新样本优先进入，排名在60名之前的老样本优先保留。查看详情，请点击这里2016-02-25发布浦发银行 (600000) 包钢股份 (600010) 华夏

1. 前言之前的文章中谈到可以通过Yahoo获取股票的交易数据，当对大量股票交易数据进行分析时，每次都从Yahoo获取显然不合适，因此一般的做法都是把数据保存到本地。 Georgia Tech开发了一套给予Python的开源的量化工具QSToolKit (QSTK)，通过它可以使CVS数据的存储和管理变得相对简单些。2. QSTK2.1 介绍QSToolKit (QSTK) is a Python

1. 前沿移动均线是股票最进本的指标，本文采用numpy.convolve计算股票的移动均线2. numpy.convolvenumpy.convolve(a, v, mode=’full’)Returns the discrete, linear convolution of two one-dimensional sequences.The convolution operator is oft

1. 获取数据参见Python获取Yahoo股票数据 fh = finance.fetch_historical_yahoo(code, start_date, end_date) data = mlab.csv2rec(fh) fh.close() data.sort()2. 显示数据2.1 显示基本数据应用matplotlib.plyplot绘制收市数据 （1）

1. Yahoo股票Yahoo财经提供国内外的股票数据，其请求URL格式如下：http://ichart.finance.yahoo.com/table.csv?a=03&b=12&c=2000&d=05&e=11&f=2011&s=AAPL上URL是获取2006/03/12到2015/12/31苹果公司的股票数据1.1 具体参数解析：s – 股票名称a – 起始时间，月b – 起始时间，日c