怎样用时间序列预测股票走势

庄家分析方法：庄家炒股票也要获利。同样是买、卖的差价获利。与散户不同的是，他可以控制股票的走势和价格，也就是说散户获利是靠期待股价上涨，而庄家则是自己拉动股价上涨。 所以，庄家炒作包括四部分：建仓、拉高、整理、出货。所谓的“洗盘”，多为吃货。一般是吃、拉、出三部曲。

庄家建仓一般要选择股价较低时，而且希望越低越好，他恨不得砸两个板再买。所以，“拉高吃货”之类，以及股价已经创新高还说是吃货，等等，千万别信。吃货结束之后，一般会有一个急速的拉升过程。一旦一只股票开始大涨，它就脱离了安全区，随时都有出货的可能。所以我的中线推荐一律是在低位。 当庄家认为出货时机未到时，就需要在高位进行横盘整理，一般是打个差价，散户容易误认为出货。 庄家出货一般要做头部，头部的特点是成交量大，振幅大，除非赶上大盘做头，一般个股的头部时间都在1个月以上。

庄家分析方法是一种综合分析方法，不能单看图形，也要参考技术，还得注意股票的基本面和一些外围情况。

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...