基于时序的股票预测算法

1. 股票估值算法具体公式

估值是结合几个指标估算的，具体操作比较复杂可以往下详细了解~

开始正文前，这里有一波福利--机构精选的牛股榜单新鲜出炉，走过路过可别错过【绝密】机构推荐的牛股名单泄露，限时速领！！！

一、估值是什么

估值就是大概测算一下公司股票所拥有的价值，好比商人在进货的时候必须计算货物成本，他们才能算出需要卖多少钱，卖多久才能回本。这和买股票是相同的，用市面上的价格去买这支股票，得多长时间才能真的做到回本赚钱等等。不过股市里的股票是非常繁杂的，堪比大型超市的东西，根本不知道哪个是便宜的，哪个是好的。但想估算它们的目前价格值不值得买、会不会带来收益也不是没有办法的。

二、怎么给公司做估值

需要通过很多数据才能判断估值，在这里为大家写出三个较为重要的指标：

1、市盈率

公式：市盈率 = 每股价格 / 每股收益 ，在具体分析的时候最好参考一下公司所在行业的平均市盈率。

2、PEG

公式：PEG =PE/(净利润增长率*100)，当PEG不大于1或更小时，则表示当前股价正常或者说被低估，若是大于1的话则被高估。

3、市净率

公式：市净率 = 每股市价 / 每股净资产，这种估值方式适合大型或者比较稳定的公司。通常市净率越低，投资价值肯定会更加的高。可若是市净率跌破1了，说明该公司股价已经跌破净资产，投资者应当注意，不要被骗。

举个现实中的例子给大家：福耀玻璃

正如大家都知道的那样，现在福耀玻璃作为汽车玻璃行业的一家大型龙头企业，基本上它家生产的玻璃都会为各大汽车品牌所用。目前来说，只有汽车行业能对它的收益造成最大影响，相对来说非常稳定。那么就从刚刚说的三个标准去估值这家公司究竟怎么样！

①市盈率：目前它的股价为47.6元，预测2021年全年每股收益为1.5742元，市盈率=47.6元 / 1.5742元=约30.24。在20~30为正常，明显如今的股价高了点，但还要看其公司的规模和覆盖率来评判会更好。



三、估值高低的评判要基于多方面

总是套公式计算，明显是错误选择！炒股等同于说炒公司的未来收益，尽管公司目前被高估，但是以后也可能会有爆发式的增长，这也是基金经理们更喜欢白马股的理由。其次，上市公司的所处的行业成长空间和市值成长空间也很重要。当用上方所述当方法来看，很多大银行绝对被严重的小看，但为什么股价一直上不来呢？最主要是因为它们的成长和市值空间已经接近饱和。更多行业优质分析报告，可以点击下方链接获取：最新行业研报免费分享，除掉行业还有以下几点，想知道的就瞧瞧：1、至少要清楚市场的占有率和竞争率；2、懂得将来的规划，公司的发展能达到什么程度。这是我的一些心得体会，希望对大家有益，谢谢！如果实在没有时间研究得这么深入，可以直接点击这个链接，输入你看中的股票获取诊股报告！【免费】测一测你的股票当前估值位置？

应答时间：2021-08-24，最新业务变化以文中链接内展示的数据为准，请点击查看

2. 非平稳时间序列可以预测股票走势吗

一般把非平稳时间序列转化为平稳时间序列的方法是取n阶差分法。

比如举个例子，假设xt本身是不平稳的时间序列，如果xt～I(1) ,也就是说x的1阶差分是平稳序列。
那么 xt的1阶差分dxt=x(t)-x(t-1) 就是平稳的序列 这时dt=x(t-1)

如果xt～I(2)，就是说xt的2阶差分是平稳序列的话
xt的1n阶差分dxt=x(t)-x(t-1) 这时xt的1阶差分依然不平稳，
那么 对xt的1阶差分再次差分后，
xt的2阶差分ddxt=dxt-dxt（t-1）便是平稳序列 这时dt=-x(t-1)-dxt（t-1）

n阶的话可以依次类推一下。

3. 求股票估值算法具体公式

让人难受的不仅是买错股票，还有买错价位的股票，就算再好的公司股票价格都有被高估时候。买到低估的价格除了能到手分红外，能够获取到股票的差价，但是入手到高估的则只能无可奈何当“股东”。巴菲特买股票也经常去估算一家公司股票的价值，避免花高价钱购买。这次说的比较多，那么公司股票的价值到底是怎么估算的呢？接下来我就列出几个重点来好好说一说。正式给大家讲之前，先给你们准备了一波福利--机构精选的牛股榜单新鲜出炉，走过路过可别错过【绝密】机构推荐的牛股名单泄露，限时速领！！！
一、估值是什么
估值就是对股票的价值进行预估，就像商人在进货的时候需要计算货物成本，他们才能算出卖的价钱为多少，需要卖多长时间才可以回本。这等同于我们买股票，用市面上的价格去买这支股票，我要多久才能回本赚钱等等。但股市里的股票跟大型超市东西一样琳琅满目，很难分得清股票好坏以及价格高低。但想估算它们的目前价格值不值得买、会不会带来收益也不是没有办法的。
二、怎么给公司做估值
判断估值需要结合很多数据，在这里为大家说说三个较为重要的指标：
1、市盈率
公式：市盈率 = 每股价格 / 每股收益 ，在具体分析的时候最好参照一下公司所在行业的平均市盈率。
2、PEG
公式：PEG =PE/(净利润增长率*100)，当PEG少于1或越少时，则当前股价正常或被低估，倘若大于1则被高估。
3、市净率
公式：市净率 = 每股市价 / 每股净资产，这种估值方式对于大型或者比较稳定的公司而言是很合适的。一般来说市净率越低，投资价值就会更高。但假设市净率跌破1了，也就表示该公司股价已经跌破净资产，投资者应该对这个十分当心。
给大家举个现实中的例子：福耀玻璃
每个人都清楚地知道，目前福耀玻璃是汽车玻璃行业巨大的龙头公司，各大汽车品牌都会用到它家的玻璃。目前来说，会对它的收益造成最大影响还得是汽车行业，从各方面来说比较稳定。那么，就从刚刚说的三个标准入手来估值这家公司到底如何！
①市盈率：目前它的股价为47.6元，预测2021年全年每股收益为1.5742元，市盈率=47.6元 / 1.5742元=约30.24。在20~30为正常，很显然，当前股价稍微高了点，但是还要用其公司的规模和覆盖率来评判会好一些。

三、估值高低的评判要基于多方面
一味套公式计算，明显是错误的选择！炒股主要是炒公司的未来收益，就算公司当今被高估，也就是可能以后会有爆发式的增长，这也是基金经理们对白马股更感兴趣的理由。其次，上市公司所处的行业成长空间和市值成长空间也起着重要的作用。当用上方所述当方法来看，很多大银行绝对被严重的小看，然而为什么股价都没法上升？最主要是由它们的成长和市值空间已经接近饱和导致的。更多行业优质分析报告，可以点击下方链接获取：最新行业研报免费分享，除去行业还有以下几个方面，有兴趣可以看看：
1、对市场的占有率和竞争率数值有个大概了解；2、明白将来的长期规划，公司发展上限如何。这是我的一些心得体会，希望大家能够从中得到帮助，谢谢！如果实在没有时间研究得这么深入，可以直接点击这个链接，输入你看中的股票获取诊股报告！【免费】测一测你的股票当前估值位置？

应答时间：2021-08-26，最新业务变化以文中链接内展示的数据为准，请点击查看

4. 时间序列在股市有哪些应用

时间序列分析在股票市场中的应用
摘要
在现代金融浪潮的推动下,越来越多的人加入到股市,进行投资行为,以期得到丰厚的回报,这极大促进了股票市场的繁荣。而在这种投资行为的背后,越来越多的投资者逐渐意识到股市预测的重要性。
所谓股票预测是指:根据股票现在行情的发展情况地对未来股市发展方向以及涨跌程度的预测行为。这种预测行为只是基于假定的因素为既定的前提条件为基础的。但是在股票市场中,行情的变化与国家的宏观经济发展、法律法规的制定、公司的运营、股民的信心等等都有关联,因此所谓的预测难于准确预计。
时间序列分析是经济预测领域研究的重要工具之一,它描述历史数据随时间变化的规律,并用于预测经济数据。在股票市场上,时间序列预测法常用于对股票价格趋势进行预测,为投资者和股票市场管理管理方提供决策依据。

5. 时间序列分析方法

时间序列是指一组在连续时间上测得的数据，其在数学上的定义是一组向量x(t), t=0,1,2,3,...，其中t表示数据所在的时间点，x(t)是一组按时间顺序（测得）排列的随机变量。包含单个变量的时间序列称为单变量时间序列，而包含多个变量的时间序列则称为多变量。

时间序列在很多方面多有涉及到，如天气预报，每天每个小时的气温，股票走势等等，在商业方面有诸多应用，如：

下面我们将通过一个航班数据来说明如何使用已有的工具来进行时间序列数据预测。常用来处理时间序列的包有三个：

对于基于AR、MA的方法一般需要数据预处理，因此本文分为三部分：

通过简单的初步处理以及可视化可以帮助我们有效快速的了解数据的分布（以及时间序列的趋势）。

观察数据的频率直方图以及密度分布图以洞察数据结构，从下图可以看出：

使用 statsmodels 对该时间序列进行分解，以了解该时间序列数据的各个部分，每个部分都代表着一种模式类别。借用 statsmodels 序列分解我们可以看到数据的主要趋势成分、季节成分和残差成分，这与我们上面的推测相符合。

如果一个时间序列的均值和方差随着时间变化保持稳定，则可以说这个时间序列是稳定的。

大多数时间序列模型都是在平稳序列的前提下进行建模的。造成这种情况的主要原因是序列可以有许多种（复杂的）非平稳的方式，而平稳性只有一种，更加的易于分析，易于建模。

在直觉上，如果一段时间序列在某一段时间序列内具有特定的行为，那么将来很可能具有相同的行为。譬如已连续观察一个星期都是六点出太阳，那么可以推测明天也是六点出太阳，误差非常小。

而且，与非平稳序列相比，平稳序列相关的理论更加成熟且易于实现。

一般可以通过以下几种方式来检验序列的平稳性：

如果时间序列是平稳性的，那么在ACF/PACF中观测点数据与之前数据点的相关性会急剧下降。

下图中的圆锥形阴影是置信区间，区间外的数据点说明其与观测数据本身具有强烈的相关性，这种相关性并非来自于统计波动。

PACF在计算X(t)和X(t-h)的相关性的时候，挖空在（t-h，t）上所有数据点对X(t)的影响，反应的是X(t)和X(t-h)之间真实的相关性（直接相关性）。

从下图可以看出，数据点的相关性并没有急剧下降，因此该序列是非平稳的。

如果序列是平稳的，那么其滑动均值/方差会随着时间的变化保持稳定。

但是从下图我们可以看到，随着时间的推移，均值呈现明显的上升趋势，而方差也呈现出波动式上升的趋势，因此该序列是非平稳的。

一般来讲p值小于0.05我们便认为其是显着性的，可以拒绝零假设。但是这里的p值为0.99明显是非显着性的，因此接受零假设，该序列是非平稳的。

从上面的平稳性检验我们可以知道该时间序列为非平稳序列。此外，通过上面1.3部分的序列分解我们也可以看到，该序列可分解为3部分：

我们可以使用数据转换来对那些较大的数据施加更大的惩罚，如取对数、开平方根、立方根、差分等，以达到序列平稳的目的。

滑动平均后数据失去了其原来的特点（波动式上升），这样损失的信息过多，肯定是无法作为后续模型的输入的。

差分是常用的将非平稳序列转换平稳序列的方法。ARIMA中的 'I' 便是指的差分，因此ARIMA是可以对非平稳序列进行处理的，其相当于先将非平稳序列通过差分转换为平稳序列再来使用ARMA进行建模。

一般差分是用某时刻数值减去上一时刻数值来得到新序列。但这里有一点区别，我们是使用当前时刻数值来减去其对应时刻的滑动均值。

我们来看看刚刚差分的结果怎么样。

让我们稍微总结下我们刚刚的步骤：

通过上面的3步我们成功的将一个非平稳序列转换成了一个平稳序列。上面使用的是最简单的滑动均值，下面我们试试指数滑动平均怎么样。

上面是最常用的指数滑动平均的定义，但是pandas实现的指数滑动平均好像与这个有一点区别，详细区别还得去查pandas文档。

指数滑动均值的效果看起来也很差。我们使用差分+指数滑动平均再来试试吧。

在上面我们通过 取log+(指数)滑动平均+差分 已经成功将非平稳序列转换为了平稳序列。

下面我们看看，转换后的平稳序列的各个成分是什么样的。不过这里我们使用的是最简单的差分，当前时刻的值等于原始序列当前时刻的值减去原始序列中上一时刻的值，即： x'(t) = x(t) - x(t-1)。

看起来挺不错，是个平稳序列的样子。不过，还是检验一下吧。

可以看到，趋势(Trend)部分已基本被去除，但是季节性(seasonal)部分还是很明显，而ARIMA是无法对含有seasonal的序列进行建模分析的。

在一开始我们提到了3个包均可以对时间序列进行建模。

为了简便，这里 pmdarima 和 statsmodels.tsa 直接使用最好的建模方法即SARIMA，该方法在ARIMA的基础上添加了额外功能，可以拟合seasonal部分以及额外添加的数据。

在使用ARIMA（Autoregressive Integrated Moving Average）模型前，我们先简单了解下这个模型。这个模型其实可以包括三部分，分别对应着三个参数（p, d, q）：

因此ARIMA模型就是将AR和MA模型结合起来然后加上差分，克服了不能处理非平稳序列的问题。但是，需要注意的是，其仍然无法对seasonal进行拟合。

下面开始使用ARIMA来拟合数据。

（1） 先分训练集和验证集。需要注意的是这里使用的原始数据来进行建模而非转换后的数据。

（2）ARIMA一阶差分建模并预测

（3）对差分结果进行还原

先手动选择几组参数，然后参数搜索找到最佳值。需要注意的是，为了避免过拟合，这里的阶数一般不太建议取太大。

可视化看看结果怎么样吧。

（6）最后，我们还能对拟合好的模型进行诊断看看结果怎么样。

我们主要关心的是确保模型的残差（resial）部分互不相关，并且呈零均值正态分布。若季节性ARIMA（SARIMA）不满足这些属性，则表明它可以进一步改善。模型诊断根据下面的几个方面来判断残差是否符合正态分布：

同样的，为了方便，我们这里使用 pmdarima 中一个可以自动搜索最佳参数的方法 auto_arima 来进行建模。

一般来说，在实际生活和生产环节中，除了季节项，趋势项，剩余项之外，通常还有节假日的效应。所以，在prophet算法里面，作者同时考虑了以上四项，即：

上式中，

更多详细Prophet算法内容可以参考 Facebook 时间序列预测算法 Prophet 的研究 。

Prophet算法就是通过拟合这几项，然后把它们累加起来得到时间序列的预测值。

Prophet提供了直观且易于调整的参数：

Prophet对输入数据有要求：

关于 Prophet 的使用例子可以参考 Prophet example notebooks

下面使用 Prophet 来进行处理数据。

参考：
Facebook 时间序列预测算法 Prophet 的研究
Prophet example notebooks
auto_arima documentation for selecting best model
数据分析技术：时间序列分析的AR/MA/ARMA/ARIMA模型体系
https://github.com/advaitsave/Introction-to-Time-Series-forecasting-Python
时间序列分析
My First Time Series Comp (Added Prophet)
Prophet官方文档： https://facebookincubator.github.io

6. 股票未来年度的每股收益怎么预测有没有公式的啊

股票未来每股收益是很难预测的，说实在公司里的人也不能预测到下一年收益，只能根据市场总体情况来判断。

7. 如何在Python中用LSTM网络进行时间序列预测

时间序列模型

时间序列预测分析就是利用过去一段时间内某事件时间的特征来预测未来一段时间内该事件的特征。这是一类相对比较复杂的预测建模问题，和回归分析模型的预测不同，时间序列模型是依赖于事件发生的先后顺序的，同样大小的值改变顺序后输入模型产生的结果是不同的。
举个栗子：根据过去两年某股票的每天的股价数据推测之后一周的股价变化；根据过去2年某店铺每周想消费人数预测下周来店消费的人数等等

RNN 和 LSTM 模型

时间序列模型最常用最强大的的工具就是递归神经网络（recurrent neural network, RNN）。相比与普通神经网络的各计算结果之间相互独立的特点，RNN的每一次隐含层的计算结果都与当前输入以及上一次的隐含层结果相关。通过这种方法，RNN的计算结果便具备了记忆之前几次结果的特点。

典型的RNN网路结构如下：

4. 模型训练和结果预测
将上述数据集按4:1的比例随机拆分为训练集和验证集，这是为了防止过度拟合。训练模型。然后将数据的X列作为参数导入模型便可得到预测值，与实际的Y值相比便可得到该模型的优劣。

实现代码

这里的输入数据来源是csv文件，如果输入数据是来自数据库的话可以参考这里

这里写的只涉及LSTM网络的结构搭建，至于如何把数据处理规范化成网络所需的结构以及把模型预测结果与实际值比较统计的可视化，就需要根据实际情况做调整了。

8. 怎么用机器学习模型做时间序列预测

SVM理论是在统计学习理论的基础上发展起来的,由于统计学习理论和SVM方法对有限样本情况下模式识别中的一些根本性的问题进行了系统的理论研究,很大程度上解决了以往的机器学习中模型的选择与过学习问题、非线性和维数灾难、局部极小点问题等。应用SVM进行回归预测的步骤具体如下:
1)实验规模的选取,决定训练集的数量、测试集的数量,以及两者的比例;2)预测参数的选取;3)对实验数据进行规范化处理;4)核函数的确定;5)核函数参数的确定。其中参数的选择对SVM的性能来说是十分重要的,对于本文的核函数使用RBF核函数,对于RBF核函数,SVM参数包括折衷参数C、核宽度C和不敏感参数E。目前SVM方法的参数、核函数的参数选择,在国际上都还没有形成统一的模式,也就是说最优SVM算法参数选择还只能是凭借经验、实验对比、大范围的搜寻和交叉检验等进行寻优。实际应用中经常为了方便,主观设定一个较小的正数作为E的取值,本文首先在C和C的一定范围内取多个值来训练,定下各个参数取值的大概范围,然后利用留一法来具体选定参数值
股价时间序列的SVM模型最高阶确定
股价数据是一个时间序列,从时间序列的特征分析得知,股价具有时滞、后效性,当天的股价不仅还与当天各种特征有关,还与前几天的股价及特征相关,所以有必要把前几天的股价和特征作为自变量来考虑。最高阶确定基本原理是从低阶开始对系统建模,然后逐步增加模型的阶数,并用F检验对这些模型进行判别来确定最高阶n,这样才能更客观反映股票价格的时滞特性。具体操作步骤如下:假定一多输入单输出回归模型有N个样本、一个因变量(股价)、m- 1个自变量(特征),由低阶到高阶递推地采用SVM模型去拟合系统(这儿的拓阶就是把昨天股价当做自变量,对特征同时拓阶),并依次对相邻两个SVM模型采用F检验的方法判断模型阶次增加是否合适[ 7]。对相邻两模型SVM ( n)和SVM ( n+ 1)而言,有统计量Fi为:Fi=QSVR (n)- QSVR( n+1)QSVR (n)1N - m n - (m -1)mi =1,2,,, n(1)它服从自由度分别为m和(N - m n - (m -1) )的F分布,其中QSVR (n)和QSVR( n+1)分别为SVR ( n)和QSVR( n+1)的剩余离差平方和,若Fi< F(?,m, N-m n- (m-1) ),则SVM (n )模型是合适的;反之,继续拓展阶数。
前向浮动特征筛选
经过上述模型最高阶数的确定后,虽然确定了阶数为n的SVM模型,即n个特征,但其中某些特征对模型的预测精度有不利影响,本文采用基于SVM和留一法的前向浮动特征特征筛选算法选择对提高预测精度有利影响的特征。令B= {xj: j=1,2,,, k}表示特征全集, Am表示由B中的m个特征组成的特征子集,评价函数MSE (Am)和MSE (Ai) i =1,2,,, m -1的值都已知。本文采用的前向浮动特征筛选算法如下[9]:1)设置m =0, A0为空集,利用前向特征筛选方法寻找两个特征组成特征子集Am(m =2);2)使用前向特征筛选方法从未选择的特征子集(B -Am)中选择特征xm +1,得到子集Am+1;3)如果迭代次数达到预设值则退出,否则执行4);4)选择特征子集Am+1中最不重要的特征。如果xm+1是最不重要的特征即对任意jXm +1, J (Am +1- xm+1)FJ(Am +1- xj)成立,那么令m = m +1,返回2) (由于xm+1是最不重要的特征,所以无需从Am中排除原有的特征);如果最不重要的特征是xr( r =1,2,,, m )且MSE (Am+1- xr) < MSE (Am)成立,排除xr,令A'm= Am+1- xr;如果m =2,设置Am= A'm,J (Am) = J (A'm), ,返回2),否则转向步骤5);5)在特征子集A'm中寻找最不重要的特征xs,如果MSE (A'm- xs)EM SE (Am-1),那么设置Am= A'm, MSE (Am)= MSE (A'm),返回2);如果M SE (A'm- xs) < M SE (Am -1),那么A'm从中排除xs,得到A'm-1= Am- xs,令m = m -1;如果m =2,设置Am= A'm, MSE (Am) = MSE (A'm)返回2),否则转向5)。最后选择的特征用于后续建模预测。
预测评价指标及参比模型
训练结果评估阶段是对训练得出的模型推广能力进行验证,所谓推广能力是指经训练后的模型对未在训练集中出现的样本做出正确反应的能力。为了评价本文模型的优劣,选择BPANN、多变量自回归时间序列模型( CAR)和没有进行拓阶和特征筛选的SVM作为参比模型。采用均方误差(mean squared error, MSE)和平均绝对误差百分率(mean ab-solute percentage error, MAPE)作为评价指标。MSE和MAP定义如下:M SE=E(yi- y^i)2n( 2)MAPE=E| yi- y^i| /yin( 3)其中yi为真值, y^i为预测值, n为预测样本数。如果得出M SE, MAPE结果较小,则说明该评估模型的推广能力强,或泛化能力强,否则就说明其推广能力较差

9. 对股票收盘价进行时间序列分析，预测其下一个交易日的收盘价,并与实际收盘价格进行对比

股票投资的分析这么复杂啊，先问问老师有依据这个买股票没，再回答。

10. 预测股票的方法有几种

1、股票价格的预测要综合考虑多种因素，比如公司的基本面、日K线、周K线、月K线、成交量、各种技术指标等等。股票买了就涨是许多人梦寐以求的事情，其实，盘中判断股价会不会拉升并不是“可‘想’不可求”的事情，是通过长期看盘、操盘实践可以达到或者部分达到的境界。其中一个重要方法是“结合技术形态研判量能变化”，尤其是研判有无增量资金。
2、股票预测公式和方法是：
如果当天量能盘中预测结果明显大于上一天的量能，增量达到一倍以上，出现增量资金的可能性较大。股票预测首先要预测全天可能出现的成交量。公式是(240分钟÷前市9：30分到看盘时为止的分钟数)×已有成交量(成交股数)。使用这个公式时要注意：
（1）往往时间越是靠前，离开9：30分越近，越是偏大于当天的实际成交量。
（2）一般采用前15分钟、30分钟、45分钟等三个时段的成交量来预测全天的成交量。过早则失真，因为开盘不久成交偏大偏密集;过晚则失去了预测的意义。