期货时间序列模型预测

Ⅰ 期货的时间序列问题，求助

期货的时间一般四个月一个周期，1、5、9个别有10,12月这样的主力合约，可以通过仓位转移来确定，文华财经上也有主力合约的窗口

Ⅱ 写大豆期货价格的时间序列分析，想从期货与现货这个角度入手，但是不知道怎么提取数据，

首先你要去收集数据啊，看看vip文献吧
我经常帮别人做类似的数据分析的

Ⅲ 怎么判断期货趋势强弱

目前，我国有上海、郑州、大连三个商品交易所，商品期货主要有四大类20多种，包括农产品期货、工业品期货、能化期货以及金属期货。

这么多期货品类为投资者提供了更多选择，但是每一类期货品种拥有不同的特性。比如工业品和有色金属期货价格受工业生产影响较大;而农产品期货则更多受天气、政策等因素影响;贵金属期货，比如黄金、银因其具备避险功能，其价格更多受国际安全形势等因素影响。

当然，作为一名期货投资者，最为关注的还是商品期货品种的趋势强弱。趋势，在商品期货市场是指某个时间序列里，商品期货价格具备可预期的向上或者向下的变化方向。

一般来看，商品期货品类具备的趋势越强，投资的价值也就越大。理由很简单，趋势强的品种，趋势出现后，做右侧交易更容易获得较大回报。

目前，根据我们对南华商品指数的波动率分析，国内商品期货市场的波动率周期一般在半年到一年左右。

Ⅳ 如何确定股指期货时间序列对股票指数时间序列影响的滞后性

应该要纠正你的观念，股指期货和期权，对应股票指数有的不是滞后性而是前瞻性。你要想股指期货是哪些资金在运作的就应该明白。好吧我直接说吧，在运作股指期货的基本都是大资金以及技术高手。多以基金和游资大鳄为主。他们的消息嗅觉是最灵敏的，往往股票市场一片平静，他们已经闻到了不一样的味道，然后在高杠杆的股指期货市场做出提前反应，从而获取暴利。目前国内的股指期货被限制开仓，参考意义已经没有之前的大了，你要看股指期货对A股指数的波动时间关系，建议你去看新加坡的A50期指，买卖的标的就是上证A股指数。国外和国内的大资金都在那里操作。

Ⅳ 时间序列模型 时间区间 间隔怎么设置

时间序列模型可以解决很多问题，但总体来说是一门以统计学为基础的预测学。根据已有信息解决未来信息。比如农产品产量的预测，期货价格的预测等都用得到时间序列分析

Ⅵ 如何深入理解时间序列分析中的平稳性

声明：本文中所有引用部分，如非特别说明，皆引自Time Series Analysis with Applications in R.

接触时间序列分析才半年，尽力回答。如果回答有误，欢迎指出。

对第一个问题，我们把它拆分成以下两个问题：

Why stationary?（为何要平稳？）
Why weak stationary?（为何弱平稳？）

Why stationary?（为何要平稳？）
每一个统计学问题，我们都需要对其先做一些基本假设。如在一元线性回归中（），我们要假设：①不相关且非随机（是固定值或当做已知）②独立同分布服从正态分布（均值为0，方差恒定）。

在时间序列分析中，我们考虑了很多合理且可以简化问题的假设。而其中最重要的假设就是平稳。
The basic idea of stationarity is that the probability laws that govern the behavior of the process do not change over time.
平稳的基本思想是：时间序列的行为并不随时间改变。
正因此，我们定义了两种平稳：
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.
强平稳过程：对于所有可能的n，所有可能的,, · · · , 和所有可能的k，当,, · · ·,的联合分布与,, · · · ,相同时，我们称其强平稳。
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.
弱平稳过程：当①均值函数是常数函数且②协方差函数仅与时间差相关，我们才称其为弱平稳。
此时我们转到第二个问题：Why weak stationary?（为何弱平稳？）
我们先来说说两种平稳的差别：

两种平稳过程并没有包含关系，即弱平稳不一定是强平稳，强平稳也不一定是弱平稳。
一方面，虽然看上去强平稳的要求好像比弱平稳强，但强平稳并不一定是弱平稳，因为其矩不一定存在。
例子：{}独立服从柯西分布。{}是强平稳，但由于柯西分布期望与方差不存在，所以不是弱平稳。（之所以不存在是因为其并非绝对可积。）
另一方面，弱平稳也不一定是强平稳，因为二阶矩性质并不能确定分布的性质。
例子：,,互相独立。这是弱平稳却不是强平稳。

知道了这些造成差别的根本原因后，我们也可以写出两者的一些联系：

一阶矩和二阶矩存在时，强平稳过程是弱平稳过程。（条件可简化为二阶矩存在，因为）
当联合分布服从多元正态分布时，两平稳过程等价。（多元正态分布的二阶矩可确定分布性质）

而为什么用弱平稳而非强平稳，主要原因是：强平稳条件太强，无论是从理论上还是实际上。
理论上，证明一个时间序列是强平稳的一般很难。正如定义所说，我们要比较，对于所有可能的n，所有可能的,, · · · , 和所有可能的k，当,, · · ·,的联合分布与,, · · · ,相同。当分布很复杂的时候，不仅很难比较所有可能性，也可能很难写出其联合分布函数。
实际上，对于数据，我们也只能估算出它们均值和二阶矩，我们没法知道它们的分布。所以我们在以后的模型构建和预测上都是在用ACF，这些性质都和弱项和性质有关。而且，教我时间序列教授说过："General linear process(weak stationarity, linearity, causality) covers about 10% of the real data." ，如果考虑的是强平稳，我觉得可能连5%都没有了。

对第二个问题：
教授有天在审本科毕业论文，看到一个写金融的，用平稳时间序列去估计股票走势（真不知这老兄怎么想的）。当时教授就说：“金融领域很多东西之所以难以估计，就是因为其经常突变，根本就不是平稳的。”
果不其然，论文最后实践阶段，对于股票选择的正确率在40%。连期望50%都不到（任意一点以后要么涨要么跌）。

暑假里自己用了一些时间序列的方法企图开发程序性交易程序。
刚开始收益率还好，越往后就越...后面直接亏损了...（软件是金字塔，第二列是利润率）

亏损的图当时没截，现在也没法补了，程序都删了。
所以应该和平稳没关系吧，毕竟我的做法也没假设是平稳的。如果平稳我就不会之后不盈利了。
（吐槽）自己果然不适合做股票、期货什么的...太高端理解不能...

以上