期貨時間序列模型預測

Ⅰ 期貨的時間序列問題，求助

期貨的時間一般四個月一個周期，1、5、9個別有10,12月這樣的主力合約，可以通過倉位轉移來確定，文華財經上也有主力合約的窗口

Ⅱ 寫大豆期貨價格的時間序列分析，想從期貨與現貨這個角度入手，但是不知道怎麼提取數據，

首先你要去收集數據啊，看看vip文獻吧
我經常幫別人做類似的數據分析的

Ⅲ 怎麼判斷期貨趨勢強弱

目前，我國有上海、鄭州、大連三個商品交易所，商品期貨主要有四大類20多種，包括農產品期貨、工業品期貨、能化期貨以及金屬期貨。

這么多期貨品類為投資者提供了更多選擇，但是每一類期貨品種擁有不同的特性。比如工業品和有色金屬期貨價格受工業生產影響較大;而農產品期貨則更多受天氣、政策等因素影響;貴金屬期貨，比如黃金、銀因其具備避險功能，其價格更多受國際安全形勢等因素影響。

當然，作為一名期貨投資者，最為關注的還是商品期貨品種的趨勢強弱。趨勢，在商品期貨市場是指某個時間序列里，商品期貨價格具備可預期的向上或者向下的變化方向。

一般來看，商品期貨品類具備的趨勢越強，投資的價值也就越大。理由很簡單，趨勢強的品種，趨勢出現後，做右側交易更容易獲得較大回報。

目前，根據我們對南華商品指數的波動率分析，國內商品期貨市場的波動率周期一般在半年到一年左右。

Ⅳ 如何確定股指期貨時間序列對股票指數時間序列影響的滯後性

應該要糾正你的觀念，股指期貨和期權，對應股票指數有的不是滯後性而是前瞻性。你要想股指期貨是哪些資金在運作的就應該明白。好吧我直接說吧，在運作股指期貨的基本都是大資金以及技術高手。多以基金和游資大鱷為主。他們的消息嗅覺是最靈敏的，往往股票市場一片平靜，他們已經聞到了不一樣的味道，然後在高杠桿的股指期貨市場做出提前反應，從而獲取暴利。目前國內的股指期貨被限制開倉，參考意義已經沒有之前的大了，你要看股指期貨對A股指數的波動時間關系，建議你去看新加坡的A50期指，買賣的標的就是上證A股指數。國外和國內的大資金都在那裡操作。

Ⅳ 時間序列模型 時間區間 間隔怎麼設置

時間序列模型可以解決很多問題，但總體來說是一門以統計學為基礎的預測學。根據已有信息解決未來信息。比如農產品產量的預測，期貨價格的預測等都用得到時間序列分析

Ⅵ 如何深入理解時間序列分析中的平穩性

聲明：本文中所有引用部分，如非特別說明，皆引自Time Series Analysis with Applications in R.

接觸時間序列分析才半年，盡力回答。如果回答有誤，歡迎指出。

對第一個問題，我們把它拆分成以下兩個問題：

Why stationary?（為何要平穩？）
Why weak stationary?（為何弱平穩？）

Why stationary?（為何要平穩？）
每一個統計學問題，我們都需要對其先做一些基本假設。如在一元線性回歸中（），我們要假設：①不相關且非隨機（是固定值或當做已知）②獨立同分布服從正態分布（均值為0，方差恆定）。

在時間序列分析中，我們考慮了很多合理且可以簡化問題的假設。而其中最重要的假設就是平穩。
The basic idea of stationarity is that the probability laws that govern the behavior of the process do not change over time.
平穩的基本思想是：時間序列的行為並不隨時間改變。
正因此，我們定義了兩種平穩：
Strict stationarity: A time series {} is said to be strictly stationary if the joint distribution of ,, · · ·, is the same as that of,, · · · ,for all choices of natural number n, all choices of time points ,, · · · , and all choices of time lag k.
強平穩過程：對於所有可能的n，所有可能的,, · · · , 和所有可能的k，當,, · · ·,的聯合分布與,, · · · ,相同時，我們稱其強平穩。
Weak stationarity: A time series {} is said to be weakly (second-order, or co-variance) stationary if:
① the mean function is constant over time, and
② γ(t, t − k) = γ(0, k) for all times t and lags k.
弱平穩過程：當①均值函數是常數函數且②協方差函數僅與時間差相關，我們才稱其為弱平穩。
此時我們轉到第二個問題：Why weak stationary?（為何弱平穩？）
我們先來說說兩種平穩的差別：

兩種平穩過程並沒有包含關系，即弱平穩不一定是強平穩，強平穩也不一定是弱平穩。
一方面，雖然看上去強平穩的要求好像比弱平穩強，但強平穩並不一定是弱平穩，因為其矩不一定存在。
例子：{}獨立服從柯西分布。{}是強平穩，但由於柯西分布期望與方差不存在，所以不是弱平穩。（之所以不存在是因為其並非絕對可積。）
另一方面，弱平穩也不一定是強平穩，因為二階矩性質並不能確定分布的性質。
例子：,,互相獨立。這是弱平穩卻不是強平穩。

知道了這些造成差別的根本原因後，我們也可以寫出兩者的一些聯系：

一階矩和二階矩存在時，強平穩過程是弱平穩過程。（條件可簡化為二階矩存在，因為）
當聯合分布服從多元正態分布時，兩平穩過程等價。（多元正態分布的二階矩可確定分布性質）

而為什麼用弱平穩而非強平穩，主要原因是：強平穩條件太強，無論是從理論上還是實際上。
理論上，證明一個時間序列是強平穩的一般很難。正如定義所說，我們要比較，對於所有可能的n，所有可能的,, · · · , 和所有可能的k，當,, · · ·,的聯合分布與,, · · · ,相同。當分布很復雜的時候，不僅很難比較所有可能性，也可能很難寫出其聯合分布函數。
實際上，對於數據，我們也只能估算出它們均值和二階矩，我們沒法知道它們的分布。所以我們在以後的模型構建和預測上都是在用ACF，這些性質都和弱項和性質有關。而且，教我時間序列教授說過："General linear process(weak stationarity, linearity, causality) covers about 10% of the real data." ，如果考慮的是強平穩，我覺得可能連5%都沒有了。

對第二個問題：
教授有天在審本科畢業論文，看到一個寫金融的，用平穩時間序列去估計股票走勢（真不知這老兄怎麼想的）。當時教授就說：「金融領域很多東西之所以難以估計，就是因為其經常突變，根本就不是平穩的。」
果不其然，論文最後實踐階段，對於股票選擇的正確率在40%。連期望50%都不到（任意一點以後要麼漲要麼跌）。

暑假裡自己用了一些時間序列的方法企圖開發程序性交易程序。
剛開始收益率還好，越往後就越...後面直接虧損了...（軟體是金字塔，第二列是利潤率）

虧損的圖當時沒截，現在也沒法補了，程序都刪了。
所以應該和平穩沒關系吧，畢竟我的做法也沒假設是平穩的。如果平穩我就不會之後不盈利了。
（吐槽）自己果然不適合做股票、期貨什麼的...太高端理解不能...

以上