股票市场时间序列数据的分解及其意义

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Decomposition of Time Series Data of Stock Markets and its Implications
  for Prediction: An Application for the Indian Auto Sector》
---
作者：
Jaydip Sen and Tamal Datta Chaudhuri
---
最新提交年份：
2016
---
英文摘要：
  With the rapid development and evolution of sophisticated algorithms for statistical analysis of time series data, the research community has started spending considerable effort in technical analysis of such data. Forecasting is also an area which has witnessed a paradigm shift in its approach. In this work, we have used the time series of the index values of the Auto sector in India during January 2010 to December 2015 for a deeper understanding of the behavior of its three constituent components, e.g., the Trend, the Seasonal component, and the Random component. Based on this structural analysis, we have also designed three approaches for forecasting and also computed their accuracy in prediction using suitably chosen training and test data sets. The results clearly demonstrate the accuracy of our decomposition results and efficiency of our forecasting techniques, even in presence of a dominant Random component in the time series.
---
中文摘要：
随着时间序列数据统计分析复杂算法的快速发展和演变，研究界已经开始在此类数据的技术分析方面投入大量精力。预测也是一个方法发生范式转变的领域。在这项工作中，我们使用了2010年1月至2015年12月期间印度汽车行业指数值的时间序列，以便更深入地了解其三个组成部分的行为，例如趋势、季节性成分和随机成分。基于这种结构分析，我们还设计了三种预测方法，并使用适当选择的训练和测试数据集计算了它们的预测精度。结果清楚地证明了我们分解结果的准确性和预测技术的效率，即使在时间序列中存在主导随机成分的情况下也是如此。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Computer Science        计算机科学
二级分类：Other Computer Science        其他计算机科学
分类描述：This is the classification to use for documents that do not fit anywhere else.
这是用于不适合其他任何地方的文档的分类。
--

---
PDF下载：
--> Decomposition_of_Time_Series_Data_of_Stock_Markets_and_its_Implications_for_Pred.pdf (502.61 KB)

2022-5-12 03:35:32 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：时间序列数据 时间序列 序列数据 股票市场 股票市

股票市场时间序列数据的分解及其对预测的影响——印度汽车公司Jaydip Sen加尔各答商学院的应用，比什努普尔钻石港罗德——743503西孟加拉邦，印度邮箱：jaydips@calcuttabusinessschool.organdTamal达塔乔杜里加尔各答商学院，比什努布尔钻石港湾路-743503西孟加拉邦，印度邮箱：tamalc@calcuttabusinessschool.orgABSTRACTWith随着时间序列数据统计分析复杂算法的快速发展和演变，研究界已开始在此类数据的技术分析方面投入大量精力。预测也是一个领域，其方法发生了范式转变。在这项工作中，我们使用了2010年1月至2015年12月期间印度汽车行业指数值的时间序列，以更深入地了解其三个组成部分的行为，例如趋势、季节性成分和随机性成分。基于这种结构分析，我们还设计了三种预测方法，并使用适当选择的训练和测试数据集计算了它们的预测精度。结果清楚地证明了我们的分解结果的准确性和预测技术的效率，即使在时间序列中存在主要的随机成分。关键词：分解、趋势、季节、随机、霍尔特-温特斯预测模型、神经网络、反向传播网络、ARIMA、VAR、贝叶斯向量自回归（BVAR）模型。果冻分类：G11，G14，G17，C631。引言有效股票市场假说在文献中引起了极大的兴趣，已有研究试图证明和反驳它。

股票价格是否可以预测一直是人们激烈争论的话题，尽管股票价格变动的随机性从未受到怀疑，但人们已经做出努力，试图揭示预测股票价格的方法。在这本开创性的书中，格雷厄姆和多德[1]试图教育投资者如何挑选股票和避免陷阱。他们并没有试图预测股价走势，但在挑选股票或行业时，他们启发了我们要注意的参数。墨菲[2]明确规定了股票价格技术分析的原则，并指出了基础分析和技术分析之间的区别。其目的是表明股票的挑选、购买和出售可以根据各种技术指标进行形式化，并且可以识别有助于股票价格预测的不同模式。印度的各种出版物，如《经济时报财富+》、Dalal Street和Business Standard，以及各种商业电视频道，不断为如何选择健康投资组合的股票提供建议。它们告诉我们要寻找行业特征、市场时机、持有期和公司的基本面。除了基本面和管理质量之外，选择公司股票的一个重要因素是公司所属的行业。各个部门表现出不同的特点，了解部门模式很重要。2.研究目的本文的目的是将部门指数的时间序列数据分解为趋势、季节和随机成分。这将有助于在以下方面选择股票。

首先，它将显示该行业的整体趋势，从而显示股价，并有助于确定仓位。第二，如果可以看到季节性模式，那么可以推断出哪个月份哪个部门和哪个股票应该是好的买入。第三，随机成分将对该行业以及股票的波动模式产生一定的影响。这种分解将表明这三种成分中哪一种更强，并进一步阐明有效市场假说。这种分解还可以揭示某些信念，比如i）小盘股更具随机性，因此是投机性的；ii）医疗行业的随机性较低；iii）汽车和FMCG行业是季节性的；iv）资本货物部门与印度的增长故事有关；v）ITsector与世界增长故事息息相关。这种分解将揭示一个行业的整体宏观经济特征，这将影响一家公司的基本面。论文的其余部分组织如下。第3节简要讨论了构建各种时间序列并将时间序列分解为其组件的方法。第4节介绍了将汽车行业指数时间序列值分解为趋势、季节和随机成分的结果。对三个组成部分在整个时间序列指数中所起的作用进行了推断。第5节介绍了四种预测方法和一种分析汽车行业指数时间序列结构性成分行为的方法。第6节介绍了当前文献中的一些相关工作。最后，第7节对论文进行了总结。3.方法在这项工作中，我们使用了2010年1月至2015年12月期间汽车行业的每日指数数据。

每日指数值首先聚合为每月平均值，从而在每个时间序列数据中产生70个值。我们使用R库将这些原始数据序列转换为每月的时间序列。现在，这些R时间序列中的每一个都是三个组成部分的集合：（i）趋势，（ii）季节性，和（iii）随机性。为了进一步研究时间序列数据的行为，我们将每个时间序列分解为三个分量。为此，我们使用R库“TTR”。分解后，分析了指数对各成分值的影响。我们还对这些数据应用了一些稳健的预测技术，并批判性地分析了我们所应用的预测方法的准确性。4.分解结果在本节中，我们将介绍我们在时间序列分解工作中获得的一些结果。我们特别关注汽车行业的时间序列值，并讨论从其分解中得到的结果。图1：汽车指数时间序列（2010年1月至2015年12月）图2：汽车指数时间序列分解为趋势、季节和随机成分图1显示了2010年1月至2015年12月期间汽车行业指数的总体时间序列。不难看出，时间序列呈上升趋势，直到2015年下半年曲线呈小幅下降。图2显示了图1中时间序列的分解结果。时间序列的三个组成部分分别显示，以便可以可视化它们的相对行为。表1给出了时间序列数据及其所有三个组成部分的数值。

趋势和随机成分在2010年1月至2010年6月期间不可用，在2015年7月至2015年12月期间也不可用。这是因为趋势计算需要一些长期数据。为了计算2010年1月至2010年6月的趋势数据，我们需要2009年7月至2009年12月的时间序列数据（在我们的原始数据集中不可用）。同样，为了计算2015年7月至2015年12月的趋势数据，需要2016年1月至2016年6月的时间序列数据。由于这些时段的趋势值不可用，因此也不可能计算随机分量。