① 股票價格可以預測嗎
股票價格預測
理論上股票價格是可以預測的，實際上都是只是聽說，而從未被證實（比如江恩理論中說道可以預測到具體的價格）但實際也是聽說，如果要說親眼看見的話，我只看到過用易經預測真可以看見漲到具體價格。但不是每次。
價格在支撐位、壓力位這都是人為附加理論。認同者則有用，沒有這個概念的人那管他支撐壓力只要經過分析加和經驗認為它要漲就進。當然同時也要根據大盤行情，結合指標，經驗一起下結論。盲目進倉那是韭菜送肉行為。
雖然價格不可測，但是漲或者跌卻是絕對的可以預測的，只是掌握它的人不說，悶頭收割，那有時間閑扯。
② 為什么用幾何布朗運動描述股票價格
幾何布朗運動就是物理中典型的隨機運動，其特點就是不可預測，而在股市中的短期股票價格也是不可預測。
③ 幾何布朗運動 時間間隔
一年，把價格差改為價格的漲跌幅：可以避免直接使用布朗運動描述價格的缺陷，即為幾何布朗運動。
是一個正態隨機變量，分布的平均期望值μt，標準差為。（T>0，t>0)
******************
幾何布朗運動
幾何布朗運動的作用是用來模擬股價的變動。它的好處在于，一般形式布朗運動中取值可能為負數，而幾何布朗運動取值永遠不小于0，這一點符合股價永遠不為負的特征。
幾何布朗運動微分形式的表述。或者稱SDE（隨機微分方程）形式：
其中的S(t)可以理解為股價。
幾何布朗運動函數形式表述：
上述式子告訴我們，可以先生成一服從的一般形式布朗運動，然后求其指數函數，最后乘以S(0)，即期初的股價，就可以得到幾何布朗運動。
補充：為何這里t的系數多出一項？具體可以參考伊藤公式。
④ 求教：如果標的股票價格不服從幾何布朗運動，那么該權證怎么定價
你新手吧 看你研究的東西就是新手……
⑤ 假設股票價格服從幾何布朗運動，若買一份股票，需要如何對沖
布朗運動沒法對沖滴
⑥ 請問如何用R語言做大量次數的幾何布朗運動的模擬（參數μ，σ已知）
這上網搜應該搜的到吧，比如這篇文章"
股票價格行為關于幾何布朗運動的模擬--基于中國上證綜指的實證研究
",照著幾何布朗運動的公式直接寫代碼應該就行了吧，代碼邏輯都很清晰。
下面是照著這片文章模擬一次的代碼，模擬多次的話，外面再套個循環應該就行了。然后再根據均方誤差(一般用這個做準則的多)來挑最好的。
話說你的數據最好別是分鐘或者3s切片數據，不然R這速度和內存夠嗆。
N <- 2000 #模擬的樣本數
S0 <- 2000 #初始值
mu <- 0.051686/100
sigma <- 1.2077/100
St <- rep(0,N)
epsion <- rnorm(N,0,1) #正態分布隨機數
for(i in 1:N) {
if(i == 1) {
delta_St <- mu * S0 + sigma * S0 * epsion[i]
St[i] <- S0 + delta_St
}else {
delta_St <- mu * St[i-1] + sigma * St[i-1] * epsion[i]
St[i] <- St[i-1] + delta_St
}
}
Final_St <- c(S0,St) #最終結果
plot(Final_St,type = "l")
⑦ 研究衍生品的時候為什么用幾何布朗運動來模擬股票價格的運行軌跡
設布朗運動為B(t),布朗運動本身是正態分布,而且滿足分布~N（0,t）.幾何布朗運動是W（t）=exp（B（t））；這是一個很好的線性對應關系.所以均值就是（如圖）解這個簡單的積分,就得到均值：exp（t/2）順便方差也求了吧：exp（2t）-exp(t)
⑧ 有關布朗運動和期權定價的問題，望大神解答！
布朗運動是將看起來連成一片的液體，在高倍顯微鏡下看其實是由許許多多分子組成的。液體分子不停地做無規則的運動，不斷地隨機撞擊懸浮微粒。當懸浮的微粒足夠小的時候，由于受到的來自各個方向的液體分子的撞擊作用是不平衡的。在某一瞬間，微粒在另一個方向受到的撞擊作用超強的時候，致使微粒又向其它方向運動，這樣，就引起了微粒的無規則的運動就是布朗運動。
期權定價模型（OPM）----由布萊克與斯科爾斯在20世紀70年代提出。該模型認為，只有股價的當前值與未來的預測有關；變量過去的歷史與演變方式與未來的預測不相關 。模型表明，期權價格的決定非常復雜，合約期限、股票現價、無風險資產的利率水平以及交割價格等都會影響期權價格。
⑨ 用布朗運動模擬股票價格的論文背景怎么寫
股票市場是一個自組織的復雜系統，所有個體在沒有人組織的情況下會呈現出一種自組織性，這和布朗運動很類似。
⑩ 研究衍生品的時候為什么用幾何布朗運動來模擬股票價格的運行軌跡
其實很簡單，GBM（至少在一定程度上）符合人們對市場的觀察。例如，直觀的說，股票的價格看起來很像隨機游走，再例如，股票價格不會為負，這樣起碼GBM比普通的布朗運動合適，因為后者是可以為負的。
再稍微復雜一點，對收益率做測試（ S(t)/S(t-1) - 1）做測試，發現，哎居然還基本是個正態分布。收益率是正態的，股價就是GBM模型
總之，就是大家做了很多統計測試，發現假設成GBM還能很好的逼近真實數值，比較接近事實。所以就用這個。
其實將精確的數學模型應用到金融的時間非常短。最早是1952年的Markowitz portfolio selection. 那個其實就是一個簡單的優化問題。后來的CAPM APT等諸多模型，也僅僅研究的是一系列證券，他們之間回報、收益率以及其他影響因素關系，沒有涉及到對股價運動的描述。
第一次提出將股價是GBM應用在嚴格模型的是black-scholes model 。在這個模型中提出了若干個假設，其中一個就是股價是GBM的。