负相关
正相关
无关
• 用回归分析的P值检验相关性
P值<0.05 负显著相关
P值<0.05 正显著相关
P值>0.05 非显著相关
scatterplotMatrix (geely_relation[,2:5])
• 相关性的可视化展示
heatmap(x = cor_matr, col = col, symm = TRUE)
• 将与股价显著相关的付费搜索和自然搜索建立回归模型并预测；
预测值散点图
模型表达式： close=0.0004025*natural+0.0001741*paysearch+4.673
• 用预测数据的误差比较准确性
实际股价
25.2 24.9 25.5 25.7 25.8 26.6
时序模型的预测
GEELY
俞志晖 数据咨询师
TEMPLATE
大智慧365 2016.8.9-2017.12.18
TEMPLATE
第一步，先确定原序列是否平稳 非平稳 非平稳 无异方差
第二步，将非平稳的原序列平稳化处理：差分 差分后的序列
白噪声检验
差分后的序列为白噪声
AR(1)
原序列为AR(1)模型
吉利股价AR(1)模型建立及检验
24.73435 24.71872 24.70312 24.68754 24.61002 24.59459
回归模型的预测
23.33429 24.69514 24.31641 23.95518 21.84567 20.99966
时序模型的误差
1.9% 0.7% 3.2% 3.9% 4.8% 8.2%
回归模型的误差
第三步，建立AR(1)模型，确定系数 模型表达式： Close(t)=14.9731+0.9984close(t-1)+e(t)
模型检验： 残差为白噪声，模型信息提取充分。
吉利股价AR(1)模型预测
第4步，对AR(1)模型进行样本外预测。
样本外预测
向前预测10步
作时序图
• 用plot(y~x)绘制散点图，粗略查看相关性。
8.0% 0.8% 4.9% 7.1% 18.1% 26.7%
从上图可得，时序模型在预测股价时的准确性较高。
THANK YOU