A股指数影响因素及预测

《A股指数影响因素及预测》由会员分享，可在线阅读，更多相关《A股指数影响因素及预测（20页珍藏版）》请在装配图网上搜索。

1、承 诺 书我们仔细阅读了中国大学生数学建模竞赛的竞赛规则.我们完全明白，在竞赛开始后参赛队员不能以任何方式（包括电话、电子邮件、网上咨询等）与队外的任何人（包括指导教师）研究、讨论与赛题有关的问题。我们知道，抄袭别人的成果是违反竞赛规则的, 如果引用别人的成果或其他公开的资料（包括网上查到的资料），必须按照规定的参考文献的表述方式在正文引用处和参考文献中明确列出。我们郑重承诺，严格遵守竞赛规则，以保证竞赛的公正、公平性。如有违反竞赛规则的行为，我们将受到严肃处理。17 A股指数影响因素及预测摘要本文以近年中国A股市场数据和其他影响A股指数波动的六个宏观经济因素为依据，建立了各因素对A股指数波动

2、的影响程度的多元回归模型，并建立了预测A股变化情况的灰色预测模型。针对问题一，我们吸收和借鉴有效的实证研究方法，对影响股票价格的宏观经济因素进行分析，提出利率、汇率、固定产投资、物价指数、货币供应量、股票供给等是影响股票价格的因素。然后建立了多元线形回归模型，同时做货币供应量等因素和股指的相关性分析。通过分析相关性结论后从模型中除掉股票供给，固定资产投资等影响小或这个阶段没有影响的因素。然后应用MATLAB做回归分析.可以求得最终的数学模型为：其中，y代表A股指数，代表货币发行量，代表汇率，代表利率。模型标准差的估计值是414.169，可决系数是0.824817，校正可决系数是0.815597

3、，模型整体性检验的F统计量值为89.4579，模型整体性检验的显著性概率为1.53035e-021对于第二问，由于A股市场涨跌变化受经济形势、国家政策、外部环境等纵多综合因素的影响，通过分析，GDP、PMI、CPI、平均市盈率以及存款利率等因素都是影响A股市场涨跌的重要因素，且各个因素相对于A股综合指数的关联度大小没有太大的差别，我们就无法建立起综合指数与其中单个影响因素的关系，但要把每个因素同时定量的反映在一个模型中又很困难，因此我们采用GM(1,1)灰色模型预测的方法来对A股市场涨跌变化进行预测。本文提出了利用灰色系统理论对股票价格进行预测，建立GM(1,1)模型，并且利用残差修正预测结果

4、的方法。根据灰色系统理论建立数学模型，利用所得到的股票价格求得具体的预测模型及其预测结果，然后对所得的结果进行残差修正以得到更精确的股票价格。计算得出灰色预测模型为从而可以预测未来的数据：关键词：多元回归 逐步回归 股市 spass 灰色预测 Matlab GM(1,1) 1 问题重述在当今世界上，伴随着经济全球一体化趋势的发展和世界范围内金融管制的放松，经济金融化的程度也在不断的加深。其特征显著地表现为:金融关系化的经济关系、金融资产化的社会资产、以及越来越突出的融资资本化倾向。在这种情况下，股票市场的发展所带来的影响已不仅仅局限在金融业内部，而是涉及到了社会经济、政治、生活的各个层面，世界

5、各国都越来越关注和重视股票市场的发展及由此带来的巨大影响。我国股票市场的发展己经有十几年的历史，股票市场在我国由逐步兴起到迅猛发展，已成为社会主义市场经济不可或缺的重要组成部分，促进了国民经济的发展。但是，随着近五年来股市的衰退、低迷、复苏，大量有关股市现状和功能的讨论不绝于耳，我们如何认识股市的发展，只凭一些理论的讨论是不够的，所以我将从上证指数与宏观经济变量的数据来分析他们之间的相关性，以此来分析他们之间的相互促进关系，试图为投资者提供投资指导，为政策制定者提供保持股票市场与宏观经济良性互动的政策性建议。 虽然最近A股的新政层出不穷，2012年A股市场不断再创新低。股市一般的规律是牛市和熊

6、市交替出现，相信见底反弹在将来的一段时间。1建立模型说明影响股市波动的主要因素有哪些？2请查阅有关数据，建立数学模型预测见底反弹的时间区间。2 问题分析影响供求的各种因素很多，而且这些因素是属于各个层面的，其中有宏观的，有微观的;有系统性的，还有非系统性的;有必然的，还有偶然的等等。考虑宏观经济基础变量(如GDP、货币供应量、经济周期、通货膨胀、实际利率、汇率与进出口等)与股票市场波动的关系。其中在这些宏观经济因素中，物价指数反映的是我国市场环境，固定资产投资反映了整体经济状况，税率反映的是调控政策的变动。汇率，利率，货币供应量则反映的是我国金融市场环境。这些因素已经反映整个宏观经济的层层面面

7、，其他的因素我们都归结为其他影响因素。股价见底反弹即股价从目前的不断下降变为明显的上升，就是要利用近5年来每个月度股票价格的数据来预测未来股票价格的变化趋势。由于股票市场中随机因素很多，对股指、价格的影响显著，价格波动剧烈，噪声高，表现出很强的非线性、不确定性，所以一般的模型如回归模型外推性差，类比系数法准确性较差，神经网络计算两大、易产生过度拟合。并且一般的系统理论只能建立差分模型，不能建立微分模型，而灰色系统理论基于关联度收敛原理，生成数，灰导数，灰微分方程等观点和方法建立了微分方程模型。微分方程的系数描述了所希望辨别的系统内部过程的本质。灰色理论的这些特点使其适用于股票市场。我们在这研究

8、的是整个股票市场价格变动和其影响因素的关系，所以要选择的是能代表整个市场变动的指数。基于这个原则，选择A股指数作为我们的研究对象。经过数据查找、提取和分析，本文选取2007年6月到2012年6月这五年的月度平均A股指数作为因变量来做研究，用y来表示。以2007年5月作为基期，同时对月度平均A股指数作相关处理。影响股票价格指数的主要因素分别是:物价指数;固定资产投资;汇率;股票供给;利率;货币供应量。我们选择这6个因素作为自变量。3 模型假设与符号说明1、模型的假设（1）假设只有利率、汇率、固定产投资、物价指数、货币供应量、股票供给等是影响股票价格的因素，其他的因素都归结为其他影响因素不做讨论。

9、（2）假设股市的影响因素固定不变且影响效果不变；（3）假设未来的行情由现在的行情决定；（4）假设未来一年中国家经济政策不会出现特大变化;（5）假设在未来的一年中世界经济形势不会受到较大意外事件（如战争）的影响。2、符号说明 1、：曲线拟合中的时间序列中的点 2、：曲线拟合中上证指数月底收盘价的拟合值 3、：上证指数每季季末收盘价 4、：影响上证指数每季季末收盘价中的各因素的权重5、：GDP（国内上产总值）6、：狭义货币供给量7、：CPI同比增长率8、：灰色模型预测时前61个A股指数每月月底收盘价（以2007年6月为第一个月）。9、：灰色预测模型中第个月的A股指数10、：灰色预测模型中的级比；1

10、1、：灰色预测模型中级比矩阵；12、：灰色预测模型中累加生成列13、：灰色预测模型中的均值列14、：灰色预测模型中发展系数15、：灰色预测中灰作用量16、：残差17、：为残差相对值18、：的平均绝对值为19、：为平均精度四模型的建立与求解通过上述的论述，我们以A股指数为因变量，以货币发行量、汇率、利率、股票供应、固定资产投资、物价指数为自变量，建立多元线性回归模型下:，原始数据见附表1，由于实际问题中不同的变量测量单位不一样，为了消除变量的量纲效应，使每个数据都有同等的表现力，除了利率、汇率和物价指数，对其他三组数据进行无量纲化处理，得到数据如下：日期A股指数货币发行量汇率利率股票供应固定资产

11、投资物价指数Jun-074009.9717.6330 2.0711106.12 Jul-074689.081.016027.5805 2.071.0127690.892600315106.20 Aug-075480.111.0248077.5753 2.341.0141780.952512659106.54 Sep-075827.661.0404067.5258 2.611.0363021.311230255106.23 Oct-076251.531.0433317.5012 2.881.0531461.723600414106.58 Nov-075112.131.058037.4233 2.

12、881.1973045.185992085106.90 Dec-075521.491.0676737.3676 2.881.2307937.857306308106.56 Jan-084600.121.1059047.2478 3.331.2329692.696679574107.12 Feb-084562.781.1143527.1601 3.331.2418861.142982095108.72 Mar-083643.241.1196897.0752 3.331.2571382.473672515108.31 Apr-083875.221.1362557.0007 3.331.284013

13、3.722683196108.56 May-083602.661.1545386.9724 3.331.3008815.226028207107.79 Jun-082869.941.1728526.8971 3.33 1.305478.591492561107.10 Jul-082911.651.1813776.8376 3.33 1.310846.488660057106.80 Aug-082516.781.1879536.8515 3.33 1.3219316.032655821105.50 Sep-082408.881.1986776.8307 3.33 1.3258637.068739

14、392105.30 Oct-081816.311.1992986.8316 3.15 1.3273176.296828977104.60 Nov-081965.191.2138856.8286 2.88 1.3274826.82007385102.70 Dec-081911.791.2576136.8424 1.71 1.338249.717369001101.40 Jan-092089.91.313116.8382 1.71 1.3394875.31156121100.70 Feb-092186.631.3410936.8357 1.71 1.3415424.85832281498.40 M

15、ar-092490.711.4043986.8341 1.71 1.3419486.28162867898.50 Apr-092600.611.430486.8312 1.71 1.3475886.39230481998.10 May-092763.541.4510776.8245 1.71 1.3551067.77178276198.10 Jun-093106.591.5057386.8332 1.71 1.36548611.6203234997.70 Jul-093581.861.5168196.8320 1.71 1.401638.43163175197.50 Aug-092799.48

16、1.5263366.8322 1.71 1.4057718.06243705998.00 Sep-092916.731.5493796.8289 1.71 1.4229189.54654884798.50 Oct-093143.881.5526566.8275 1.71 1.4250658.28955741898.70 Nov-093351.491.5737276.8274 1.71 1.4314988.474556638100.00 Dec-093437.461.6150686.8279 1.71 1.44675212.05830958101.40 Jan-103134.751.655786

17、6.8270 1.71 1.4560597.202899167101.80 Feb-103200.051.6834786.8269 1.71 1.4695966.152943846102.50 Mar-1032601.7202026.8263 1.71 1.4828427.932830281102.30 Apr-103009.371.7377066.8263 1.71 1.4896268.013876478102.80 May-102718.421.7556776.8280 1.71 1.5033939.746890203103.10 Jun-102514.161.7836546.7909 1

18、.71 1.5226114.50958588102.70 Jul-102764.361.7839976.7750 1.71 1.79402110.31581162102.80 Aug-102764.61.8196096.8105 1.71 1.8367339.990823086103.00 Sep-102782.021.8433366.7011 1.71 1.85019711.75923483103.00 Oct-103120.81.8520846.6908 1.91 1.86310210.25323745103.90 Nov-102953.321.8800396.6762 1.91 1.89

19、552510.94125073104.70 Dec-102940.241.9210966.6227 1.91 1.90522914.52283354104.10 Jan-112921.821.9423576.6027 2.25 1.9130618.346429703103.70 Feb-113041.771.9483016.5831 2.60 1.916378.247478831104.30 Mar-113065.922.0065286.5662 2.60 1.92211110.4112591104.60 Apr-113049.192.0045536.5292 2.85 1.91390610.

20、99306412104.70 May-112873.062.0204986.4988 2.85 1.95287613.01990932104.90 Jun-112893.532.0665816.4778 2.85 1.97713616.22255791105.80 Jul-112829.472.045686.4614 3.10 1.99764113.16879187106.10 Aug-112689.082.0666656.4090 3.10 2.00759213.32696954106.00 Sep-112471.12.0840116.3833 3.10 2.01238214.9716513

21、2106.00 Oct-112585.12.1618846.3566 3.10 2.02426413.75407193105.30 Nov-112444.452.1848176.3408 3.10 2.03206713.27935454104.00 Dec-112304.122.2538876.3281 3.10 2.03784615.35666567103.80 Jan-122401.872.2652896.3168 3.10 2.0406449.755830721104.10 Feb-122543.892.2951236.3000 3.10 2.04297110.01793304102.9

22、0 Mar-122370.072.3702736.3081 3.10 2.06600512.61249876103.50 Apr-122509.712.3544956.2966 3.10 2.07190613.1087566103.10 May-122484.912.3821396.3062 3.10 2.08578215.75942868102.50 Jun-122330.52.4481546.3178 2.85 2.10166319.75606239101.40 1.相关性分析通过SPSS软件中的相关分析我们可以求出各因素之间以及各因素和股市波动y的相关性及其相关系数，如表3所示。表2 各

23、因素间的相关系数相关系数A股指数货币发行量汇率利率股票供应固定资产投资物价指数A股指数1.000 -0.3890.404-0.026-0.39-0.3390.253货币发行量-0.3891.000 -0.9280.0620.9970.705-0.112汇率0.404-0.9281.000 -0.104-0.929-0.6810.091利率-0.0260.062-0.1041.000 0.062-0.0140.602股票供应-0.390.997-0.9290.0621.000 0.704-0.114固定资产投资-0.3390.705-0.681-0.0140.7041.000 -0.133物价指

24、数0.253-0.1120.0910.602-0.114-0.1331.000 从表中的数据我们可以看出，利率与A股指数的相关系数只有-0.026，从此可以得出在我们分析的样本期间利率对股市的影响程度较小。而其他因素和上证综指之间均在0.01的显著性水平变量表现出较强的相关性。虽然我们从理论上分析利率对股市是有很大影响的，由于它与上证综指的相关系数较小，我们在建立模型时把利率这个因素放在随机误差项中考虑。另外从相关系数可以看出与上证综指最为相关的是汇率，其相关系数为R=0.404，其次是股票供应、货币发行量、固定资产投资、物价指数，他们的相关系数分别为-0.390，-0.389，-0.339,

25、0.252。从此可以确定逐步引入汇率、股票供应、货币发行量、固定资产投资、物价指数依次建立5个回归模型，其拟合优度检验数据如表3所示。虽然我们从理论上分析固定资产投资和股票供应对股市是有很大影响的，由于它们与上证综指的相关系数较小，我们在建立模型时把固定资产投资和股票供应这两个因素放在随机误差项中考虑。另外从相关系数可以看出与上证综指最为相关的是货币供应量，其相关系数为R=0.897，其次是汇率，利率，物价指数，他们的相关系数分别为0.887,-0.831,0.796。从此可以确定逐步引入货币供应量，汇率，利率，物价指数依次建立4个回归模型，其拟合优度检验数据如表3所示。表3 Model Su

26、mmary(e)ModelRR SquareAdjusted R SquareStd. Error of the Estimate1.897(a).804.798696.306572.919(b).844.835629.694763.957(d).916.905477.111841 模型包含的解释变量为货币供应量2 模型包含的解释变量为货币供应量, 汇率3 模型包含的解释变量为货币供应量,汇率，利率由表3中数据可看出第一个模型的可决系数为0.804，接近于1，因此货币供应量对上证综指的影响是很大的。而被调整的R2从第一个模型0.804逐步增加0.844,0.902到第四个模型的0.916,他们

27、是呈递增的，这说明我们逐步引入的后面几个变量物价指数、汇率以及利率也是对上证综指有重要的影响。寻找最优的回归方程是我们建立模型的基本出发点，而要达到这个目标的最佳方法就是逐步回归法。逐步回归是实现变量选择的另一种方法，基本思路为，先确定一初始子集，然后每次从子集外影响显著的变量中引入一个对y影响最大的，在对原来子集中的变量进行检验，从变得不显著的变量中剔除一个影响最小的，知道不能引入和剔除为止。我们运用Matlab进行逐步回归，得到如下图形：图一：多元回归原始画面可以看出， ,不显著，移去这三个变量后的统计结果如图2图2 逐步回归交互式画面可以求得最终的数学模型为：其中，y代表A股指数，代表货

28、币发行量，代表汇率，代表利率。模型标准差的估计值是414.169，可决系数是0.824817，校正可决系数是0.815597，模型整体性检验的F统计量值为89.4579，模型整体性检验的显著性概率为1.53035e-021模型二预测模型：步骤一：获取原始数据序列：步骤二：对原始数列做一次累加（1-AGO）生成新的数据序列： 令为数列的紧邻均值数列，即, 则。步骤三：以数据序列建立白化形式的方程：， k=2，3，4，n其中a和u分别为GM(1,1)的发展参数与灰色内生控制参数。用最小二乘法可以得到GM(1,1)的模型参数向量：令， ，称Y为向量数据，B为数据矩阵,U为参数向量。若将k=2，3，n

29、视为连续性变量t，于是得到GM(1,1)的灰微分方程对应的白微分方程为，式中称为发展系数，为灰色作用量。设为待估参数向量，即， 则灰微分方程(7.3.2)的最小二乘估计参数列满足 =称之为GM(1,1)的白化型。求解得方程的解为： GM(1,1)灰色微分方程的时间响应序列为+， 取，则+， （3.1） 还原值上式即为预测方程。 偏差值 dX(k)= 对偏差值进行最小二乘拟合得到一个修正多项式：f(k) 修正还原值模型 =+f(k)3）通过修正还原值模型，我们得到2007年到2012年的修正还原值，即各年的A股年平均综合指数，其中我们记2011年(k=7)和2012年(k=8)的分别为： 步骤四

30、：模型检验： 为的均值， 为的方差，为残差均值，为残差方差，1.称为均方差比值；对于给定的，当时，称模型为均方差比合格模型。2.称为小误差概率，对于给定的,当时， 称模型为小误差概率合格模型。精度检验等级参照表表4指标临界性精度等级相对误差关联度均方差比值小误差概率一级0.010.900.350.95二级0.050.800.500.80三级0.100.700.650.70四级0.200.600.800.60一般情况下，最常用的是相对误差检验指标。求解:（1） 级比检验取2007年6月到2012年6月的A股指数月度数据，共有61组数据，作图得到变化情况如下：建立A股指数数据时间序列，用Matla

31、b编程得到的结果没有落在）内，需要对数列做变换处理，我们取常数c=50000，做平移变换得到的级比范围为0.9857,1.0207,在其范围内，可用作满意的建模。于是得到a=0.00061577，b别54137。解白化微分方程得 即87917720.7017+87863710.7317e(-0.000615772*(t-1)由此可求得数列值及模型还原值令k=1,2,，n,由上面的时间响应函数可算得,从而可以算得=(54010-8.79177e7)*(exp(-6.1577e-4*t)-exp(-6.1577e-4*(t-1)。第四步：模型检验模型的各种检验指标值见下表日期原始值模型值残差相对误

32、差级比偏差Jun-0754009.9754009.9700Jul-0754689.0854087.367601.71310.0110020.013025591Aug-0755480.1154054.0721426.0380.0257040.014864708Sep-0755827.6654020.7971806.8630.0323650.006837159Oct-0756251.5353987.5432263.9870.0402480.008146206Nov-0755112.1353954.3091157.8210.021008-0.020045905Dec-0755521.4953921.

33、0961600.3940.0288250.007984045Jan-0854600.1253887.903712.21740.013044-0.016248901Feb-0854562.7853854.73708.04980.012977-6.83E-05Mar-0853643.2453821.578-178.3380.003325-0.016515634Apr-0853875.2253788.44786.773470.0016110.004918808May-0853602.6653755.335-152.6750.002848-0.00446611Jun-0852869.9453722.2

34、44-852.3040.016121-0.013234801Jul-0852911.6553689.174-777.5240.0146950.001403393Aug-0852516.7853656.124-1139.340.021695-0.006898719Sep-0852408.8853623.094-1214.210.023168-0.001441961Oct-0851816.3153590.085-1773.770.034232-0.010813352Nov-0851965.1953557.096-1591.910.0306340.003478814Dec-0851911.79535

35、24.127-1612.340.031059-0.000412452Jan-0952089.953491.178-1401.280.0269010.004032759Feb-0952186.6353458.25-1271.620.0243670.002467981Mar-0952490.7153425.342-934.6320.0178060.006405042Apr-0952600.6153392.454-791.8440.0150540.002703626May-0952763.5453359.587-596.0470.0112970.003701609Jun-0953106.595332

36、6.74-220.150.0041450.007071256Jul-0953581.8653293.913287.94740.0053740.009480102Aug-0952799.4853261.106-461.6260.008743-0.014193245Sep-0952916.7353228.319-311.5890.0058880.002829964Oct-0953143.8853195.553-51.67270.0009720.004887197Nov-0953351.4953162.806188.68350.0035370.00450455Dec-0953437.4653130.

37、08307.37960.0057520.002223389Jan-1053134.7553097.37437.375560.000703-0.005077935Feb-1053200.0553064.689135.36140.0025440.001842269Mar-105326053032.023227.97710.004280.0017405Apr-1053009.3752999.3779.9926580.000189-0.004109539May-1052718.4252966.752-248.3320.004711-0.004899964Jun-1052514.1652934.146-

38、419.9860.007998-0.003271641Jul-1052764.3652901.561-137.2010.00260.005354501Aug-1052764.652868.996-104.3960.0019790.000620128Sep-1052782.0252836.451-54.43060.0010310.000945416Oct-1053120.852803.925316.87460.0059650.006989196Nov-1052953.3252771.42181.89980.003435-0.002545256Dec-1052940.2452738.935201.

39、30490.0038020.000368664Jan-1152921.8252706.47215.35010.0040690.000267736Feb-1153041.7752674.025367.74530.0069330.002875616Mar-1153065.9252641.599424.32050.0079960.001070397Apr-1153049.1952609.194439.99580.0082940.000300409May-1152873.0652576.809296.25110.005603-0.002713553Jun-1152893.5352544.444349.

40、08640.00660.001002348Jul-1152829.4752512.098317.37190.006007-0.000596252Aug-1152689.0852479.773209.30740.003973-0.002047276Sep-1152471.152447.46723.633030.00045-0.003536147Oct-1152585.152415.181169.91880.0032310.002782163Nov-1152444.4552382.91561.534640.001173-0.002064652Dec-1152304.1252350.669-46.5

41、4940.00089-0.002065728Jan-1252401.8752318.44383.426810.0015920.002479826Feb-1252543.8952286.237257.65310.0049040.003316802Mar-1252370.0752254.05116.01960.002215-0.002701446Apr-1252509.7152221.884287.82630.0054810.003273263May-1252484.9152189.737295.17320.0056240.000143357Jun-1252330.552157.61172.890

42、30.003304-0.00233327经验证，该模型的精度较高，可进行预测和预报。有做图可知，A股指数将在第70个月见底反弹，因为n=61，70-61+6-12=3，即A股指数将在2013年3月份见底反弹。5 模型的结果与分析通过模型，我们可以得出结论:(1) 汇率对股票指数的影响是最大的，而且市场上普遍认为从05年开始的上升行情在很大程度上就是由本币升值引起的。在我们的模型中，汇率和股票价格指数相关性很强。通过这个“晴雨表”，还可以得出我国现在的汇率已经偏高这个附加的结论。(2) 从理论上讲，货币供应量是影响股票价格指数的另一个重要因素。一旦货币供应量增长大概1.3倍左右，股指将增加一倍，

43、当然在现实生活中，我们的货币供应量不会一下子增长这么多。从理论上来看，货币供应量增加，会使股票市场上的资金充裕，股票市场的购买力旺盛，从而推动股票价格指数上升。可以看出，我们的研究是和理论相吻合的。 (3)从分析中，我们可以看出利率也与股票价格指数呈正相关。而通常来说，利率水平越高，股票价格指数越低，这主要是因为利率能改变居民的投资方向。在利率高的条件下，投资者倾向于存款，或购买债券等，从而导致股票市场的资金减少，促使股票价格指数下跌;反之，利率太低使存款和购买债券无利可图，使越来越多的投资者转而投向股票市场，从而拉动股票价格指数的上升。虽然我们对于利率的研究与理论上表面上看是相背离的，但是，

44、在短期内，利率与股价的关系不是很明显，因为股价受很多因素的影响，这些因素可能对股票收益产生冲击，中和利率对股价的影响。将灰色系统理论应用于股票市场，利用波形预测，结合 GM（1，1）模型知识，无论股市处于上涨行情、下跌行情还是盘整行情，预测短期股票价格保持了比较好的精确度。但是对长期预测，尤其是受外界因素引起的股票价格大幅度震荡，股价的预测精度有所下降。6 模型的评价与改进模型一优点：(1)宏观经济变量对股票价格存在一定的影响,股票价格指数可在一定程度上反映中国经济发展的整体趋势及水平缺点：（1）股票价格指数受各种因素的影响，不是我们在前面列出的仅仅6个指标就能解释清楚的。（2）同时我们也不能

45、期望就通过方程中的3个自变量就拟合出一个完全符合现实的模型。我们只能说通过对影响股票指数的因素的分析，提炼出其中影响程度最大的来，然后利用现实的数据来做回归检验，得出哪几个指标在其中表现的最为显著。（3）在中国市场经济发展到现阶段，股票供应和固定资产投资仍然是受到管制的，反映不出它们对股票价格指数的很大影响，所以股票供应和固定资产投资在影响股票价格方面的重要性很受到质疑，而且在实证研究中也证实了这点。因此整个模型的适用性仍然受到极大制约。所以我们只能通过研究，研究出这一阶段的一个特点，却不能预测下一个阶段的特点。模型二：优点：(1) 利用灰色系统理论所建立的GM模型可较好的预测股票价格发展变化

46、趋势。(2) 虽然模型的建立都是采用了灰色预测法，但在具体的数据处理的时，采用了不同的方法，使模型更加丰满，更有特色。缺点：（1）数据时间间隔相差太大，将导致GM（1，1）模型失真（2）GM（1，1）模型只能进行短期预测。若要预测未来较长时间内的变化，必须有新增数据，这就使得该模型在实际工程中的应用受到限制。（3）所给数据有限，由建立的预测模型求得的预测值的准确性有一定的削弱；（4）未考虑其他因素如自然灾害和社会稳定对经济指标的影响。模型的改进:针对以上问题我们可以将ARIMA模型与GM（1,1）模型结合在一起进行预测。因为ARIMA是自动回归积分滑动平均模型，它主要使用与有长期趋势与季节性波

47、动的时间序列的分析预测中。 可以很好的弥补GM（1,1）不足，更好的对A股指数做出较准确的预测。七、模型的推广首先，本文建立的模型都具有普遍适用性，可以推广到任意股票市场的研究。其次，对股市的预测也能运用到风险投资中去。最后，通过分析关联度，再建立类似模型二的影响因素分析模型的建模方法，在各个领域都具有广泛适用性。 七参考文献1刘思峰.灰色系统理论及其应用M.河南大学出版社.19912邓聚龙.灰色预测与决策M.武汉：华中理工大学出版社.1992. 3灰度系统分析应用J.数学的实践与认识，2005,35（2）：32-36.4李明扬,唐建伟. 我国利率变动对股票价格影响效应的实证分析J . 经济经

48、纬,2007 , 5曾国智.利率变动影响股票价格的实证分析J. 中国人民大学经济学院，2008，（02）：126-127.6万解秋，徐涛.货币供给扰动与股票市场反应J. 广东社会科学，2005，（01）：55-59.7张卫国，马文霞.中国股价指数与宏观影响因素的协整关系研究J.当代经济科学，2004，11(6)：附录1.附表一：原始数据日期A股指数货币发行量汇率利率股票供应固定资产投资物价指数Jun-074009.97377832.15 7.6330 2.0711515.422115.09106.12 Jul-074689.08383884.88 7.5805 2.0711662.461887

49、.93106.20 Aug-075480.11387205.04 7.5753 2.3411678.692014.65106.54 Sep-075827.66393098.91 7.5258 2.6111933.452773.37106.23 Oct-076251.53394204.17 7.5012 2.8812127.423645.57106.58 Nov-075112.13399757.91 7.4233 2.8813787.4610968.84106.90 Dec-075521.49403401.30 7.3676 2.8814173.116618.91106.56 Jan-08460

50、0.12417846.17 7.2478 3.3314198.165703.72107.12 Feb-084562.78421037.84 7.1601 3.3314300.842417.51108.72 Mar-083643.24423054.53 7.0752 3.3314476.475232.04108.31 Apr-083875.22429313.72 7.0007 3.3314785.957873.81108.56 May-083602.66436221.60 6.9724 3.3314980.1911053.52107.79 Jun-082869.94443141.02 6.897

51、1 3.33 15033.03 18171.78 107.10 Jul-082911.65446362.17 6.8376 3.33 15094.87 13724.10 106.80 Aug-082516.78448846.68 6.8515 3.33 15222.59 12759.61 105.50 Sep-082408.88452898.71 6.8307 3.33 15267.87 14951.02 105.30 Oct-081816.31453133.32 6.8316 3.15 15284.61 13318.36 104.60 Nov-081965.19458644.66 6.828

52、6 2.88 15286.51 14425.07 102.70 Dec-081911.79475166.60 6.8424 1.71 15410.39 20553.11 101.40 Jan-092089.9496135.31 6.8382 1.71 15424.75 11234.43 100.70 Feb-092186.63506708.07 6.8357 1.71 15448.42 10275.79 98.40 Mar-092490.71530626.71 6.8341 1.71 15453.10 13286.21 98.50 Apr-092600.61540481.21 6.8312 1

53、.71 15518.04 13520.30 98.10 May-092763.54548263.51 6.8245 1.71 15604.61 16438.02 98.10 Jun-093106.59568916.20 6.8332 1.71 15724.15 24578.03 97.70 Jul-093581.86573102.85 6.8320 1.71 16140.36 17833.66 97.50 Aug-092799.48576698.95 6.8322 1.71 16188.04 17052.78 98.00 Sep-092916.73585405.34 6.8289 1.71 1

54、6385.50 20191.81 98.50 Oct-093143.88586643.29 6.8275 1.71 16410.22 17533.16 98.70 Nov-093351.49594604.72 6.8274 1.71 16484.30 17924.45 100.00 Dec-093437.46610224.52 6.8279 1.71 16659.96 25504.41 101.40 Jan-103134.75625609.29 6.8270 1.71 16767.13 15234.78 101.80 Feb-103200.05636072.26 6.8269 1.71 169

55、23.01 13014.03 102.50 Mar-103260649947.46 6.8263 1.71 17075.55 16778.65 102.30 Apr-103009.37656561.22 6.8263 1.71 17153.67 16950.07 102.80 May-102718.42663351.37 6.8280 1.71 17312.20 20615.55 103.10 Jun-102514.16673921.72 6.7909 1.71 17533.49 30689.08 102.70 Jul-102764.36674051.48 6.7750 1.71 20658.91 21818.87 102.80 Aug-102764.6687506.92 6.8105 1.71 21150.75 21131.49 103.00 Sep-102782.02696471.50 6.7011 1.71 21305.80 24871.84 103.00 Oct-103120.8699776.74 6.6908 1.91 21454.40 21686.52 103.90 Nov-10295