金融时间序列分析：8. MA模型实例（Python）

0. 目录

金融时间序列分析：9. ARMA自回归移动平均模型
金融时间序列分析：8. MA模型实例（Python）
金融时间序列分析：7. MA滑动平均模型
金融时间序列分析：6. AR模型实例
金融时间序列分析：5. AR模型实例（Python）
金融时间序列分析：4. AR自回归模型
金融时间序列分析：3. First Demo By Python
金融时间序列分析：2. 数学分析模型
金融时间序列分析：1. 基础知识

---

1. 前言

数据获取，预处理，定阶什么的参考前面几篇文章：
[金融时间序列分析：3. First Demo By Python]
[金融时间序列分析：5. AR模型（Python）]

MA模型的讲解参考前文：
[金融时间序列分析：7. MA滑动平均模型]

2. 建模与分析预测

这个和以前那个AR模型基本一样，我也不多说了。

    print '---------------------------MA TEST------------------------------'    adf_res = adf_test(ts_diff['2014-01-01':'2015-12-31'])    print 'ADF test results (ema diff):\n', adf_res    ma_predict = draw_ma(ts_diff['2014-01-01':'2015-12-31'], int(adf_res['Lags Used']))    rtn_test(ma_predict, "ma predict")

def draw_ma(ts, w):    ma = ARMA(ts, order=(0, w)).fit(disp = -1)    ts_predict_ma = ma.predict()    ar = ARMA(ts, order=(w,0)).fit(disp=-1)    ts_predict_ar = ar.predict()        plt.clf()    plt.plot(ts_predict_ar, label="AR")    plt.plot(ts_predict_ma, label="MA")    #plt.plot(ts, label = "ORG")    plt.legend(loc="best")    plt.title("MA Test %s" % w)    plt.savefig("./PDF/test_ma_"+ str(w) +".pdf", format='pdf')    return ts_predict_ma

结果如下：

3. 预测数据分析

原始数据
abs mean : 0.0118623137237
std var : 0.0172625800497
Minimum value is: -0.0925615434824
Maximum value is: 0.0903425141497
Arithmetic mean is: 0.000195754536494
Unbiased variance is: 0.000297996669973
Biased skewness is: -0.479992664412
Biased kurtosis is: 3.92636403052

AR预测数据
abs mean : 0.00363097137215
std var : 0.00522169036148
Minimum value is: -0.0273872869419
Maximum value is: 0.0262852580925
Arithmetic mean is: 0.0010682950804
Unbiased variance is: 2.72660502312e-05
Biased skewness is: -0.391757274581
Biased kurtosis is: 4.91810357904

MA预测数据
abs mean : 0.00314592965807
std var : 0.00438791465633
Minimum value is: -0.0223893454803
Maximum value is: 0.0186398706818
Arithmetic mean is: 0.00106361911149
Unbiased variance is: 1.92537950312e-05
Biased skewness is: -0.59323473066
Biased kurtosis is: 3.99711788068