有谁能请我为此提供一些见解？
我来自功能性磁共振成像研究背景，我分析了大量的时间序列数据，我想通过以下方式分析股票价格（或回报）的时间序列：1）对成功股票进行建模在特定的市场领域，然后将这个历史上成功的股票的时间序列与其他新股票的时间序列相互关联，以寻找重要的关系; 2）模拟股票的价格时间序列并使用预测（例如，指数平滑）来预测它的未来值。我想使用非线性建模方法（ARIMA和ARCH）来做到这一点。
几个问题： ARIMA和ARCH建模方法（假设实现它们的人确实如此准确）实际上适合他们所针对的股票时间序列数据，以及我能期望的最佳匹配度是多少？该模型在多大程度上符合数据与预测该股票时间序列未来价值的程度相称？
不是随机选择股票进行比较或模型，如果利润是我的目标，那么选择我要分析的股票的有效方法是什么？
哪种统计程序对用户最友好？
对此的任何想法都会很棒，对我来说还有很长的路要走。
谢谢， 布赖恩
答案 0 :(得分：2)
如果您想要免费，那么R就是您需要开始使用统计数据包的地方。
我认识的大多数经济学家都使用Stata或Matlab进行建模。鉴于你想要一些学习曲线较小的东西，我会推荐Stata。
答案 1 :(得分：2)
如果你想要强有力的统计数据，请选择R.它有一个非平凡的学习曲线，但你将获得投入一些时间的好处。 R是免费的，这是一笔巨大的资产。
至于方法，您是否同意股票价格已包含可预测的所有信息？什么阻止市场纳入这些信息？此外，将苹果和橙子比作使用一只股票过去的行为作为另一只股票未来行为的预测指标，这不是很好吗？
只是一个... ...
答案 2 :(得分：1)
可以预见，几乎所有预测（人工智能或非人工智能）技术都被用于尝试“有效”的股票市场预测。发布的结果并不那么令人鼓舞，毕竟他们怎么可能;如果有人提出圣杯模型，他不会发布它，但用它来赚钱，对吧？一般来说，如果它所建议的交易具有大于50％+交易成本的准确性，则拟合得到“最优”，因此预期它将利润返还给使用它的任何人。如果这听起来可行，请不要对结果感到失望;肯定的是，你会在这个过程中学到很多东西，并保证很多乐趣：）
MineKnowledge团队的慷慨贡献
答案 3 :(得分：1)
我认为STATA的动议很容易学习。我在矢量自回归时间序列模型领域做了一些工作。这模拟了两个时间序列之间的相互作用，并且是一个相当近期（20世纪80年代）的多时间序列方法 - 特别是那些滞后相互作用的方法。 STATA确实处理了这种分析。