股票投资技术分析方法在股票投资中的应用Word格式.docx
《股票投资技术分析方法在股票投资中的应用Word格式.docx》由会员分享,可在线阅读,更多相关《股票投资技术分析方法在股票投资中的应用Word格式.docx(12页珍藏版)》请在冰点文库上搜索。
股票至今已有将近400年的历史。
在人类社会进入大生产时期后,企业规模日益庞大但资金供应却严重不足,导致矛盾日渐加深,这时出现了由股东共同出资经营的组织,以股份制公司的形态展现在世人面前。
伴随着公司的发展,出现了买卖交易转让股票的需求,股票市场在这种情形下逐渐形成的。
在1602年,股票市场最早出现在欧洲国家中的荷兰。
在这之后,欧洲爆发了资产阶级革命,促进了欧洲的工业发展水平。
以股份公司的形式出现的企业组织,开始了日新月异的变化。
股票市场是市场经济的必然产物,在金融领域有着至关重要、不可估量的地位,并且对人们的经济水平、生活质量有着越来越深入的影响。
中国股票市场从1989年第一次从试办开始,经历了逐步发展之后,现在已成为提高国家重点建设资金的重要手段。
而且,股票在筹集建设资金时,有速度最快,能力最强,成本最低,最符合市场的经济规律的特点,进而促进了我国的股票市场的快速发展。
随着市场经济的不断发展和中国股市的规范化、正规化,股票投资不断兴起,股票市场在金融投资领域占有越来越重要的地位,成为不可缺少的组成部分。
股票价格的变化直接反映出股票市场的状态,如果能够很好的预测股票价格的走势,将不但对我们日常生活产生巨大影响,而且还会对国家的经济发展提供有价值的参考。
所谓对股票进行预测,主要是在研究股票指数过去的信息后,找到适合其数据特点的科学方法对其预测,进而得到股市未来价格。
但是影响股票价格的因素有很多,如政策、经济状况、股票投资者心理因素等,并且这些因素相互交错,彼此存在约束,仅应用线性分析会含有误差。
因此,如何较为准确的预测股票短期内发展趋势以及长期内的大体走向已经成为当今较为关注的热点之一。
二、国内外研究现状
技术分析最早在19世纪30年代的时候就被人们提出,早期的技术分析并没有形成较好的理论。
在1932年,道氏理论首先提出形成了股票技术分析的初步理论,道氏理论是关于股票技术分析最古老而著名的技术分析理论。
随后的十几年发展中,很多学者在对道氏理论的分析基础上,先后又形成了波浪理论、K线理论等技术分析经典理论,最终形成了完整的股票技术分析体系,并且使技术分析得到了广泛推广和应用。
在20世纪90年代以后,技术分析理论得到了快速的发展,但这时已经不是以前的技术分析理论的简单回归。
之后的新技术分析理论采用了时间序列分析、随机游走理论和BP神经网络等各种股票分析方法,对现代的金融证券市场变化的研究得到了新的发展,最后投资者在这些分析理论方法的基础上建立了新的证券投资模型,而这些证券投资模型在实际的市场中己经取得了广泛的应用和发展。
1982年,恩格尔建立了自回归条件异方差(ARCH)模型,并将该模型成功应用到金融资产价格的描述中,运用时间序列得到的描述十分准确合理,四年后,也就是1986年Bollerslev将ARCH模型延伸至一般ARCH模型GARCH,该模型在误差项的条件方差中加上了误差项条件方差的滞后项,从而体现除了更为灵活滞后结构。
GARCH模型的优点在于它考虑到了金融时间序列的波动集群性,并且可以有效地排除资产收益率中的过度峰值。
1987年,Engle,Lilien,Robins认为风险溢价也是随时间的变化而变化的,进而提出了ARCH-M模型,该模型的最大特点就是条件方差的变化可以引起条件期望的变化。
该模型在研究股票收益率与风险的关系时具有较大的优势。
丁华选取上证A股指数为研究对象,利用ARCH模型对上证指数进行建模,研究了上证A股指数的ARCH现象,得扰动项的平方序列中存在着明显的自相关并且波动是平稳的,大的波动将随时间逐渐减弱并消失。
查正洪用ARIMA模型研究上证综合指数规律得出上证综合指数从长期来看,存在着线性向上的趋势,不同的季节对上证综合指数会有影响;
冯予、陈萍通过非线性时间序列分析方法,用门限自回归模型对一段股市行情序列进行了逐段线性回归拟合从而提供了一个行情预测的有效方法。
三、理论介绍
(一)MACD指标
MACD(MovingAverageConvergenceandDivergence)指标又称为平滑异同移动平均线,是证券市场交易中一种常用的技术分析工具,是通过计算短期移动平均线与长期移动平均线之间的离差关系,对买入交易和卖出交易时机做出判断的技术指标。
该指标是根据移动平均线的原理发展而来,通过统计技术的处理得到,MACD指标克服了移动平均线技术指标频繁出现买入和卖出交易信号的不足。
MACD指标主要用于股票中长期趋势的判断,可以为中长期交易的投资者提供可靠的股票买卖点。
在股票分析行情软件上面,MACD指标由两条线和一个柱状图组合起来的,DIFF为快速线,DEA为慢速线,MACD为柱状图。
于是MACD指标的一般使用原则就是通过分析DIFF和DEA这快慢两条线和柱状图的位置交叉变化情况而得到的。
在实际市场操作中,MACD指标的一般使用原则为:
(1)MACD指标金叉是指DIFF线从下向上突破DEA线,为买入信号;
MACD指标死叉是指DIFF线从上向下突破DEA线,为卖出信号;
(2)MACD指标由负数变为正数,表示市场由空头转为多头,未来股价上涨的趋势即将开始;
反之,则表示市场由多头转为空头,未来股票下跌的趋势即将开始;
(3)当MACD和DIFF数值均小于0时(即都位于零轴线以下),但都开始向上移动时,一般股票市场行情由空头转为多头,未来股票上涨的趋势开始,可以轻仓的买入交易;
(4)当MACD和DIFF数值均大于0(即都位于零轴线以上),但都开始向下移动时,一般表示为行情处由多头转为空头,未来股票下跌的趋势开始,可以卖出交易。
(二)时间序列
时间序列是指将某种现象某一个统计指标在不同时间上的各个数值,按时间先后顺序排列而形成的序列。
在统计研究中,常用按时间循序排列的一组随机变量
表示一个随机事件,在
的时间序列,并且称序列长度为N。
自回归移动平均模型(ARMA(p,q))是最基本的线性时间序列分析模型。
当q=0时,ARMA模型即为自回归模型(AR),而当p=0时ARMA模型即为移动平均模型(MA)。
而求和自回归移动平均模型(ARIMA)则是经过差分运算后的ARMA模型。
ARMA模型Auto-RegressiveandMovingAverageModel是研究时间序列的重要方法由自回归模型简称AR模型与滑动平均模型简称MA模型为基础“混合”构成。
在市场研究中常用于长期追踪资料的研究如Panel研究中用于消费行为模式变迁研究在零售研究中用于具有季节变动特征的销售量、市场规模的预测等。
ARMA模型三种基本形式1.自回归模型ARAuto-regressive。
如果时间序列yt满足其中εt是独立同分布的随机变量序列且满足E(εt)=0则称时间序列为yt服从p阶的自回归模型。
自回归模型的平稳条件滞后算子多项式的根均在单位圆外即φ(B)=0的根大于1。
2.移动平均模型MAMoving-Average如果时间序列yt满足则称时间序列为yt服从p阶移动平均模型移动平均模型平稳条件任何条件下都平稳。
3.混合模型ARMAAuto-regressiveMoving-Average如果时间序列yt满足,则称时间序列为yt服从(p,q)阶自回归滑动平均混合模型。
四、案例分析
(一)MACD指标的运用
在图1中标1的位置左侧,快慢线均处于0轴上方,且继续上行。
对应的创业板综指的价格趋于稳步上升的。
在这时,就是投资者买入的信号,市场上多头力量趋于增强。
在图中标2的方框中左侧位置,快慢线在0轴下方运行,且持续下行,对应的创业板综指的价格是一路下跌,在这时投资者就应该要注意,市场的力量空头开始做强,需要谨慎进市。
在图中2的方框中,出现了0轴线下的金叉,出现金叉,反观股价出现回升,这时就是一个买进信号,投资者可跟进买入。
图1
图2
在图2中方框中出现了0轴线上死叉,这时股价开始调整下跌,投资者这时需要谨慎,不要贸然买进。
(二)时间序列的运用
1、数据来源
数据来源于Wind金融终端,研究对象是上证指数从2015年7月24日至2016年5月31日以来的7日移动均线序列数据。
其中变量date是日期,变量ma7是上证指数的7日移动平均线序列数据。
2、实证分析
(1)序列的平稳性
图3上证指数7日移动均线时序图
图47日移动均线序列的相关图
由图可以看出,7日移动均线图明显不平稳,自相关拖尾,偏自相关在二阶截尾。
为了消除时间序列的非平稳性,可以对序列进行差分,差分图如下。
图5一阶差分的ma7
图6一阶差分后ma7的相关序列图
对ma7进行一阶差分,由图5可以看出差分后该序列始终在0附近随机波动,而且波动的幅度不大,这是他的自相关函数图如图6所示。
对一阶差分后的序列进行单位根检验,结果如下。
P值<
0.05,序列平稳,不存在单位根。
(2)建立模型
由一阶差分后的相关函数图,自相关系数和偏自相关系数都在5阶截尾,依次对模型进行建立,考虑用ARMA(1,6)(模型时间为2015年7月24日至2016年2月24日,其余数据留作检验)
通过软件进行拟合得到下表
表1
Method:
LeastSquares
Date:
06/24/16Time:
20:
27
Sample(adjusted):
7/24/20152/24/2016
Includedobservations:
139afteradjustments
Convergenceachievedafter8iterations
MABackcast:
7/20/20157/27/2015
Variable
Coefficient
Std.Error
t-Statistic
Prob.
AR
(1)
0.897812
0.040106
22.38582
0.0000
MA(6)
-0.220312
0.088898
-2.478268
0.0144
R-squared
0.782403
Meandependentvar
-8.347791
AdjustedR-squared
0.780815
S.D.dependentvar
36.63940
S.E.ofregression
17.15356
Akaikeinfocriterion
8.536572
Sumsquaredresid
40311.50
Schwarzcriterion
8.578795
Loglikelihood
-591.2918
Hannan-Quinncriter.
8.553730
Durbin-Watsonstat
1.839588
通过软件计算,得到由7日移动均线模拟出的短期股票预测模型为:
对残差做拉格朗日乘数检验
residualcorrelationLMTest,检验结果如下
表2
Breusch-GodfreySerialCorrelationLMTest:
F-statistic
1.358358
Prob.F(2,135)
0.2606
Obs*R-squared
2.448233
Prob.Chi-Square
(2)
0.2940
F统计量相应的P值大于0.05,接受原假设,不存在序列相关。
(3)模型的拟合与预测
利用得到的模型进行预测,得到的拟合与预测效果图如下:
由图可以暗处,拟合出的图与实际的图的走势大致是相同的。
图7
五、结论
中国的股票市场经历了十多年的发展,逐渐已经走向了成熟,股票市场是金融市的重要组成部分,股票的交易与发行促进了市场经济的发展,是一个国家市场经济的产物。
近几年,随着经济的快速发展,股票已经成为了最常见的一种投资方式,因此股票的预测就成为了人们最为关心的问题,不论是投资者还是管理者对于股票市场的波动都有着特别的关注,股票是一种高风险,高收入的投资方式,因此,近几年,股票的预测也成为一个热门的话题,对股票进行准确的预测,对管理者来说能够了解股票市场的动态,从而制定相关的决策,而对于投资者来说,准确的预测股票价格,可以获得更高的收益。
然而股票的价格受到宏观经济指标、利率水平、行业状况、国家政策、投资心理等因素的影响,股票的价格序列是一个十分复杂的非线性动态系统,要准确预测股票价格趋势是很难完成的。
因此,无论是利用技术分析还是用时间序列进行建模都有一定的误差,都需要投资者根据国家政策,经济状况和时事热点等一系列的问题具体情况具体分析,不要只纯粹的相信某一指标或者某一模型,毕竟股票市场充满了不可控性。
参考文献:
[1]丁华.股价指数波动中的ARCH现象.数量经济技术经济研究,1999,9:
22~25.
[2]张思奇,马刚.股票市场风险收益与市场效率:
ARMA-ARCH-M模型.世界经济,2000,23(5):
19~28.
[3]徐绪松,马莉莉,陈彦斌.我国上海股票市场GARCH效应实证研究.武汉大学学报(理学版),2002,48(3):
293~296.
[4]赵志峰.对建立中国股票价格指数时间序列模型的探讨.统计与信息论坛,2003,18
(1):
66~69.
[5]万建强,文洲.ARIMA模型与ARCH模型在香港股指预测方面的应用比较.数理统计与管理,2001,20(5):
1~4.
[6]查正洪.上证综合指数的统计分析与预测.上海海运学院学报,1999,20(4):
80~87.
[7]冯予,陈萍.非线性时间序列分析在股市行情预测中的应用.南京理工大学学报:
自然科学版,1998,22
(1):
82~85.
[8]佟伟民,李一军,单永正.基于小波分析的时间序列数据挖掘.计算机工程,2008,34
(1):
26~29.
[9]王凤兰,闻邦椿.股价波动序列的综合预测法研究.经济经纬,2005,2:
64~66.