回归分析在股票投资中的应用

① 什么是回归分析，运用回归分析有什么作用

回归分析（regressionanalysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。

运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析。

(1)回归分析在股票投资中的应用扩展阅读：

回归分析步骤

1、确定变量

明确预测的具体目标，也就确定了因变量。如预测具体目标是下一年度的销售量，那么销售量Y就是因变量。通过市场调查和查阅资料，寻找与预测目标的相关影响因素，即自变量，并从中选出主要的影响因素。

2、建立预测模型

依据自变量和因变量的历史统计资料进行计算，在此基础上建立回归分析方程，即回归分析预测模型。

3、进行相关分析

回归分析是对具有因果关系的影响因素（自变量）和预测对象（因变量）所进行的数理统计分析处理。只有当自变量与因变量确实存在某种关系时，建立的回归方程才有意义。因此，作为自变量的因素与作为因变量的预测对象是否有关，相关程度如何，以及判断这种相关程度的把握性多大，就成为进行回归分析必须要解决的问题。进行相关分析，一般要求出相关关系，以相关系数的大小来判断自变量和因变量的相关的程度。

4、计算预测误差

回归预测模型是否可用于实际预测，取决于对回归预测模型的检验和对预测误差的计算。回归方程只有通过各种检验，且预测误差较小，才能将回归方程作为预测模型进行预测。

5、确定预测值

利用回归预测模型计算预测值，并对预测值进行综合分析，确定最后的预测值。

② 统计学在股票中的应用有那些方面

股票价格指数(以下有时简称股价指数)是我们统计学里指数中的一种。它反映一定时期内某一证券市场上股票价格的综合变动方向和程度的动态相对数。由于政治经济，市场及心理等各种因素的影响，每种股票的价格均处于不断变动之中；而市场上每时每刻都有许多股票在进行交易。为了从众多个别股票纷繁复杂的价格变动中判断和把握整个股票市场的价格变动水平与变动趋势，美国道.琼斯公司的创始人之一查尔斯.亨利.道第一个提出了平均股票价格指数作为衡量尺度，这就是久负盛名的道.琼斯平均股价指数。如今，世界各国的股价市场几乎都编有股票价格指数，较有影响的除道.琼斯指数以外，还有美国的标准.普尔股价指数(有时记为S&P500指数)、纽约证券交易所票价指数，英国的《金融时报》股价指数、日本的经济新闻社道氏平均股价指数以及香港的恒生指数等。股价指数可以为投资者和分析家研究，判断股市动态提供信息。它不仅反映股票市场行情变动的重要指标，而且是观测经济形势和周期状况参考指标，被视为股市行情的“指示器”和经济景气变化的“晴雨表”。在我国大陆，主要有上证指数和深证指数。

编制股票价格指数的意义在于

(1)综合反映股票市场股票价格的变动方向和变动程度。(2)据此进行因素分析，分析各种股价对股票市场股价总水平的影响程度。(3)分析股价长期内的变动趋势。(4)在宏观上，股指可以预测国民经济景气情况和企业经营业绩。

(一)股票价格指数的一般概念

1.股价平均数：它是用来反映多种股票价格变动的一般水平。股票价格平均数由证券交易所、金融服务公司、银行或新闻机构编制的，用以反映证券市场股票价格行市变动的一种价格平均数。

由于股票市场上各上市公司股票价格变动的方向和幅度不可能一致，为了衡量由各种股票共同组成的大市整体价格水平和整个市场总体变动方向，一些组织开始编制了股票价格平均数。1981年6月，“道.琼斯公司”的共同创立者之一——查尔斯.亨利.道在《客户午后通讯》上首先发表了一组后来被称为“道.琼斯工业股股票价格平均数”，是世界上最早的股票价格平均数，一般计算步骤是：先选定一些有代表性的样本公司，再通过简单算术平均法，以这些公司股票收盘价之和除以样本公司数得出。计算公式为：

P=(ΣPi)／N

其中，P代表股票价格平均数，N代表样本公司个数，Pi代表第i家公司股票计算期的收盘价。

2.基期：指在编制股票价格指数时，被确定作为对比基础的时期。这个时期可以是某一日，也可以是某一年或若干年。例如，意大利商业银行股票价格指数基期是一年，即以某一年全年股票价格平均数作为对比的基础；标准.普尔500种和400种工业股股价指数则以1941—1943年为基期。通常较多采用以某一日作为计算基期。由于股票价格指数是由现期水平同基期水平相比较得出，因此，基期的选择对指数绝对数大小具有重要影响。影响股票价格指数绝对水平大小的另一个重要因素是基数。

3.基数：指股票价格指数在基期的数值。在大多数国家中，基数都定为100，也有定为10(如标准.普尔500种股票价格指数)、50(如纽约证券交易所综合股价指数)，还有的定为500(如澳大利亚证券交易所有普通股股价指数)、1000(如香港远东指数，加拿大多伦多300种股票价格综合指数)等。基数有大小，对股票价格指数绝对数大小有重要影响。

4.点：是股票价格指数的计算单位，在采用股票价格平均数和股票价格指数衡量股市行情变动的情况下，作为计算单位的“点”具有不同含义。在前一情况下，“点”代表的是平均水平的价格单位，是一个金额概念，同货币单位(如元)在类似的含义上运用，如平均价格指数为150点，即意味着市场上股票价格的平均水平为150元。在后一情况下，“点”反映的是计算期价格水平相对于基期价格水平变动的幅度，是指“百分点”(或“千分点”等)的意思，一般不能直接同金额概念等同起来，如基期指数定为100点，计算期指数为150点，即意味着计算期股票价格水平是基期水平的150%。但无论在任何场合，“点”总是衡量股票价格行情起落变动的尺度。由于世界各国的股票市场都编制有若干不同的股票价格指数，其选定的基期、确定的基数不同，尤其是计算方法的差异，针对不同股票市场的股票价格指数，与同一股票市场的不同股票价格指数，在绝对数上并没有可比性。但是随着资本主义经济一体化趋势的加强，各国不同股票价格指数变动趋势在一定程度上具有了“联运性”，这一点尤其是在1987年10月的世界股市崩溃时得到了印证。

③ 回归分析的应用

相关分析研究的是现象之间是否相关、相关的方向和密切程度，一般不区别自变量或因变量。而回归分析则要分析现象之间相关的具体形式，确定其因果关系，并用数学模型来表现其具体关系。比如说，从相关分析中我们可以得知“质量”和“用户满意度”变量密切相关，但是这两个变量之间到底是哪个变量受哪个变量的影响，影响程度如何，则需要通过回归分析方法来确定。
一般来说，回归分析是通过规定因变量和自变量来确定变量之间的因果关系，建立回归模型，并根据实测数据来求解模型的各个参数，然后评价回归模型是否能够很好的拟合实测数据；如果能够很好的拟合，则可以根据自变量作进一步预测。
例如，如果要研究质量和用户满意度之间的因果关系，从实践意义上讲，产品质量会影响用户的满意情况，因此设用户满意度为因变量，记为Y；质量为自变量，记为X。根据图8－3的散点图，可以建立下面的线性关系： Y=A+BX+§
式中：A和B为待定参数，A为回归直线的截距；B为回归直线的斜率，表示X变化一个单位时，Y的平均变化情况；§为依赖于用户满意度的随机误差项。
对于经验回归方程： y=0.857+0.836x
回归直线在y轴上的截距为0.857、斜率0.836，即质量每提高一分，用户满意度平均上升0.836分；或者说质量每提高1分对用户满意度的贡献是0.836分。
上面所示的例子是简单的一个自变量的线性回归问题，在数据分析的时候，也可以将此推广到多个自变量的多元回归，具体的回归过程和意义请参考相关的统计学书籍。此外，在SPSS的结果输出里，还可以汇报R2，F检验值和T检验值。R2又称为方程的确定性系数（coefficient of determination），表示方程中变量X对Y的解释程度。R2取值在0到1之间，越接近1，表明方程中X对Y的解释能力越强。通常将R2乘以100%来表示回归方程解释Y变化的百分比。F检验是通过方差分析表输出的，通过显著性水平（significant level）检验回归方程的线性关系是否显著。一般来说，显著性水平在0.05以上，均有意义。当F检验通过时，意味着方程中至少有一个回归系数是显著的，但是并不一定所有的回归系数都是显著的，这样就需要通过T检验来验证回归系数的显著性。同样地，T检验可以通过显著性水平或查表来确定。在上面所示的例子中，各参数的意义如表8－2所示。
线性回归方程检验 指标 显著性水平 意义 R2 0.89 “质量”解释了89%的“用户满意度”的变化程度 F 276.82 0.001 回归方程的线性关系显著 T 16.64 0.001 回归方程的系数显著 示例 SIM手机用户满意度与相关变量线性回归分析
我们以SIM手机的用户满意度与相关变量的线性回归分析为例，来进一步说明线性回归的应用。从实践意义讲上，手机的用户满意度应该与产品的质量、价格和形象有关，因此我们以“用户满意度”为因变量，“质量”、“形象”和“价格”为自变量，作线性回归分析。利用SPSS软件的回归分析，得到回归方程如下：
用户满意度=0.008×形象+0.645×质量+0.221×价格
对于SIM手机来说，质量对其用户满意度的贡献比较大，质量每提高1分，用户满意度将提高0.645分；其次是价格，用户对价格的评价每提高1分，其满意度将提高0.221分；而形象对产品用户满意度的贡献相对较小，形象每提高1分，用户满意度仅提高0.008分。
方程各检验指标及含义如下： 指标 显著性水平 意义 R2 0.89 “质量”和“价格”解释了89%的“用户满意度”的变化程度 F 248.53 0.001 回归方程的线性关系显著 T（形象） 0.00 1.000 “形象”变量对回归方程几乎没有贡献 T（质量） 13.93 0.001 “质量”对回归方程有很大贡献 T（价格） 5.00 0.001 “价格”对回归方程有很大贡献 从方程的检验指标来看，“形象”对整个回归方程的贡献不大，应予以删除。所以重新做“用户满意度”与“质量”、“价格”的回归方程如下： 满意度=0.645×质量+0.221×价格
用户对价格的评价每提高1分，其满意度将提高0.221分（在本示例中，因为“形象”对方程几乎没有贡献，所以得到的方程与前面的回归方程系数差不多）。
方程各检验指标及含义如下： 指标 显著性水平 意义 R 0.89 “质量”和“价格”解释了89%的“用户满意度”的变化程度 F 374.69 0.001 回归方程的线性关系显著 T（质量） 15.15 0.001 “质量”对回归方程有很大贡献 T（价格） 5.06 0.001 “价格”对回归方程有很大贡献

④ excel在回归分析中有哪些应用

推求变化趋势，建立拟合方程...

⑤ 回归分析的基本过程及其应用意义

回归分析（英语：Regression Analysis）是一种统计学上分析数据的方法，目的在于了解两个或多个变量间是否相关、相关方向与强度，并建立数学模型以便观察特定变量来预测研究者感兴趣的变量。回归分析是建立因变量Y（或称依变量，反应变量）与自变量X（或称独变量，解释变量）之间关系的模型。如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对具有相关关系的现象，择一适当的数学关系式，用以说明一个或一组变量变动时，另一变量或一组变量平均变动的情况，这种关系式称为回归方程。

⑥ 举例说明，相关分析与回归分析的作用与应用

如何用相关分析法测量信号中的周期成分
用一周期性信号与被测信号进行相关分析，若得出相关函数为周期性函数，则被测信
号中含有周期成分。

⑦ 有那个金融多元回归分析在金融实证分析中的应用的论文吗急求

已经找到了没
可以班忙写的回归性分析

⑧ 对股票进行回归分析通常自变量和因变量选什么好

因变量通常是回报，比如行业超额回报、或者经无风险利率调整的回报。自变量，根据APT，有k个factor。所以你认为的是影响因素的变量都可以加入。常用的有市场回报（CAPM模型）、会计信息（sloan模型）、上期回报（Engle模型）和宏观变量（国债长短端利差、通胀等）。但是要重点看看t检验和adj R square，会对不相关的变量进行惩罚