论文部分内容阅读
【摘要】我国现行经济正处在“L”型筑底的大环境下，爆发于2019年末的新冠肺炎疫情给房地产行业带来了巨大影响，本文应用ARIMA模型，通过对房地产行业上市公司的股票价格定量分析预测，以达到对后期房地产行业整体走势的预判作用。
【关键词】房地产行业;新冠肺炎疫情;ARIMA
1、引言
2020年中国经济增速处于历史低位阶段，并且房地产行业被定调为不能作为短期刺激经济的手段，同时新冠肺炎疫情短期内已剧烈冲击了房地产上游的供应商，房地产企业在建筑施工成本、人工成本、运输成本、营销成本等核心业务领域的投入加大，各因素影响下加剧了对房地产行业的冲击和下行压力。因股票价格是直接反应市场整体行情的“晴雨表”，本文试从股票价格外对我国房地产行业趋势进行分析。
Box和Jenkins于1970年提出了以随机理论为基础的时间序列分析方法，其基本模型有三种：移动平均（MA）、自回归（AR）模型和回归求积移动平均模型（ARIMA）。ARIMA方法假定数据序列是由某个随机过程产生的非白噪声序列，利用随机过程去分析描述事物的发展趋势，预测变量的过去值与当前值，在满足时间序列上的依存性的同时，又考虑了随机波动的干扰，提高了模型的精确度。
本文通过软件SPSS的ARIMA模型进行预测与分析。
2、ARIMA模型构建与拟合分析
2.1 时间序列ARIMA模型的建立
自回归移动平均模型（autoregressive integrated moving average model）简称ARIMA（p，d，q）模型，其中p为偏相关截尾因子，q为自相关因子，p、q为各自对应阶数。d为对时间序列进行差分处理的次数，差分阶数d可以通过差分图进行确定，一般2阶差分图就已足够稳定满足数据在范围内波动。
函数表达式如下，y表示 t 时刻 Y 的差分，那么
ARIMA模型对任何非平稳序列只要通过适当阶数的差分实现差分后平稳，就可以对差分后序列进行ARMA模型拟合并根据你和函数进行预测，同时根据自相关系数 ACF （Auto Correlation Function）和偏相关系数 PACF （Partial Auto Correlation Function）进行选定。ACF要表现在MA模型下第q值后截尾，PACF在AR模型下第P值后结尾，同时其他模型下拖尾的状态。
2.2模拟识别与参数估计
本文收集Choice金融2019年11月到2020年3月的交易日数据，同时选取80家沪深两市公司开盘价格进行加权平均，以满足体现整体行业趋势分析，反映市场对房地产行业的整体判断预测，同时进行数据差分处理图1所示。由于受到疫情影响在2019年1-2月份期间在股票价格表现上，出现了较陡的下降与疫情爆发后，各地政策进行封城等相关措施有关对市场产生了一定的恐慌，股票价格可以一定程序反应房地产市场的趋势。
同时对时间序列进行白噪声检验，各阶延迟下QLB检验统计量的P值都非常小（<0.01），可以以很大把握（置信水平>99%）断定股票价格为非白噪声序列，可继续提取相关信息。
在通过SPSS软件进行数据处理下，已经满足在一定范围内进行波动，同时我们根据模型进行p与q的选取，如图2所示ACF在第1阶后呈截尾，PACF在第4阶后呈拖尾状，因此可初步确定差分后序列适合ARIMA （1，2，4）模型。
利用 SPSS 软件求解该模型，可得显著性水平 Sig 为 0.268大于0.05，且 R 方为 0.726，拟合程度较好，初步判断模型的有效性，可得 AR，MA 的系数分别为 0.928 和 0.156，因此对股票价格的预测模型结果为：
2.3模型的预测与分析
模型是根据80家地产上市公司，90天的股票交易数据进行参数拟合，其预测结果如下，该模型预测结果误差较小，可以说明 ARIMA 模型拟合效果较为精确。如图表1所示
结语：
股市价格涉及诸多不可控因素，各个因素之间关系错综复杂，本文通过ARIMA模型进行拟合与预测，可以较为准确刻画股票交易价格波动变化特征，通过对房地产业股价变动影响市值的计算分析，可以反应当下疫情对房地产业的冲击与影响。但因该模型数据适用于短期预测，同时房地行业受国家宏观经济政策、资本市场状态、城市产业结构等多方面因素综合影响，从中长期判断，房地产行业仍然在宏观经（下转34页） （上接32页）济下发挥重要作用的地位不会改变。
参考文献：
[1]苑小康.基于随机系统理论的股票定价模型的研究[D].[硕士学位论文].北京交通大学，2018.
[2]朱家明，胡玲燕.基于ARIMA和BP神經网络对人民币汇率预测的比较分析—以美元人民币汇率为例[J].
[3]重庆理工大学学报（自然科学），2019，33（5）：207-212.
[4]丁守銮，康家琦.RAIMA模型在发病率预测中的应用[J].中国医院统计2003（1）.
【关键词】房地产行业;新冠肺炎疫情;ARIMA
1、引言
2020年中国经济增速处于历史低位阶段，并且房地产行业被定调为不能作为短期刺激经济的手段，同时新冠肺炎疫情短期内已剧烈冲击了房地产上游的供应商，房地产企业在建筑施工成本、人工成本、运输成本、营销成本等核心业务领域的投入加大，各因素影响下加剧了对房地产行业的冲击和下行压力。因股票价格是直接反应市场整体行情的“晴雨表”，本文试从股票价格外对我国房地产行业趋势进行分析。
Box和Jenkins于1970年提出了以随机理论为基础的时间序列分析方法，其基本模型有三种：移动平均（MA）、自回归（AR）模型和回归求积移动平均模型（ARIMA）。ARIMA方法假定数据序列是由某个随机过程产生的非白噪声序列，利用随机过程去分析描述事物的发展趋势，预测变量的过去值与当前值，在满足时间序列上的依存性的同时，又考虑了随机波动的干扰，提高了模型的精确度。
本文通过软件SPSS的ARIMA模型进行预测与分析。
2、ARIMA模型构建与拟合分析
2.1 时间序列ARIMA模型的建立
自回归移动平均模型（autoregressive integrated moving average model）简称ARIMA（p，d，q）模型，其中p为偏相关截尾因子，q为自相关因子，p、q为各自对应阶数。d为对时间序列进行差分处理的次数，差分阶数d可以通过差分图进行确定，一般2阶差分图就已足够稳定满足数据在范围内波动。
函数表达式如下，y表示 t 时刻 Y 的差分，那么
ARIMA模型对任何非平稳序列只要通过适当阶数的差分实现差分后平稳，就可以对差分后序列进行ARMA模型拟合并根据你和函数进行预测，同时根据自相关系数 ACF （Auto Correlation Function）和偏相关系数 PACF （Partial Auto Correlation Function）进行选定。ACF要表现在MA模型下第q值后截尾，PACF在AR模型下第P值后结尾，同时其他模型下拖尾的状态。
2.2模拟识别与参数估计
本文收集Choice金融2019年11月到2020年3月的交易日数据，同时选取80家沪深两市公司开盘价格进行加权平均，以满足体现整体行业趋势分析，反映市场对房地产行业的整体判断预测，同时进行数据差分处理图1所示。由于受到疫情影响在2019年1-2月份期间在股票价格表现上，出现了较陡的下降与疫情爆发后，各地政策进行封城等相关措施有关对市场产生了一定的恐慌，股票价格可以一定程序反应房地产市场的趋势。
同时对时间序列进行白噪声检验，各阶延迟下QLB检验统计量的P值都非常小（<0.01），可以以很大把握（置信水平>99%）断定股票价格为非白噪声序列，可继续提取相关信息。
在通过SPSS软件进行数据处理下，已经满足在一定范围内进行波动，同时我们根据模型进行p与q的选取，如图2所示ACF在第1阶后呈截尾，PACF在第4阶后呈拖尾状，因此可初步确定差分后序列适合ARIMA （1，2，4）模型。
利用 SPSS 软件求解该模型，可得显著性水平 Sig 为 0.268大于0.05，且 R 方为 0.726，拟合程度较好，初步判断模型的有效性，可得 AR，MA 的系数分别为 0.928 和 0.156，因此对股票价格的预测模型结果为：
2.3模型的预测与分析
模型是根据80家地产上市公司，90天的股票交易数据进行参数拟合，其预测结果如下，该模型预测结果误差较小，可以说明 ARIMA 模型拟合效果较为精确。如图表1所示
结语：
股市价格涉及诸多不可控因素，各个因素之间关系错综复杂，本文通过ARIMA模型进行拟合与预测，可以较为准确刻画股票交易价格波动变化特征，通过对房地产业股价变动影响市值的计算分析，可以反应当下疫情对房地产业的冲击与影响。但因该模型数据适用于短期预测，同时房地行业受国家宏观经济政策、资本市场状态、城市产业结构等多方面因素综合影响，从中长期判断，房地产行业仍然在宏观经（下转34页） （上接32页）济下发挥重要作用的地位不会改变。
参考文献：
[1]苑小康.基于随机系统理论的股票定价模型的研究[D].[硕士学位论文].北京交通大学，2018.
[2]朱家明，胡玲燕.基于ARIMA和BP神經网络对人民币汇率预测的比较分析—以美元人民币汇率为例[J].
[3]重庆理工大学学报（自然科学），2019，33（5）：207-212.
[4]丁守銮，康家琦.RAIMA模型在发病率预测中的应用[J].中国医院统计2003（1）.