多元線性回歸期貨價格
1. 怎樣用20年的數據預測下一年的
首先，確定ARMA模型的階次p，然後輸入為s（n），即為20年的銅期貨價格的季度數據，共有80個。然後求p個S（n）的自相關，利用Levison-Durbin演算法遞推出p個ARMA模型的參數，最後用最簡單的白雜訊通過線性系統的辦法求出接下來的4個數據，即產生90個隨機白雜訊數據，通過p個ARMA模型的參數構成的h（n）；求一下卷積，數據就出來了。取第81個到84個數據就是你要預測的那些數據。
Levison-Durbin演算法是本介紹ARMA模型譜估計的數就會有的，可以去書上參考，這里說太復雜了。
也可以去www.answers.com上面搜搜levison-rbin或Yule-Walker方程
2. 現貨價格和期貨價格相關系數怎麼算
現貨價格+倉儲費+保險費+利息等費用=期貨價格
運輸費不應算入，除非你做跨市套利才考慮運輸費的問題。
相關系數：β
設現貨=X；期貨=Y
n∑xy －∑x∑y
-------------------------------------------------------- = β
平方根(n∑x*x-∑x*∑x) × 平方根( n∑y*y－∑y*∑y)
3. 多元線性回歸和多重線性回歸的區別及聯系
一、自變數的數據類型不同
多元線性回歸：多元線性回歸的自變數X的數據類型是連續型變數。
多重線性回歸：多重線性回歸的自變數X的數據類型可能存在多種數據類型，例如性別等的離散型變數。
二、方程不同
多元線性回歸：多元線性回歸的方程中沒有隨機變數。
多重線性回歸：多重線性回歸的方程中有隨機變數。
三、因變數的值不同
多元線性回歸：多元線性回歸的回歸方程求出的是因變數y的平均值。
多重線性回歸：多重線性回歸的回歸方程求出的是因變數y的平均預測值。
(3)多元線性回歸期貨價格擴展閱讀
多重線性回歸的條件：
1、因變數為連續性變數
2、自變數不少於2個
3、因變數與自變數之間存在線性關系
4、樣本個體間相互獨立（由Durbin-Waston檢驗判斷）
5、等方差性：各X值變動時，相應的Y有相同的變異度
6、正態性：給定各個X值後，相應的Y值服從正態分布
7、不存在多重共線性
4. 什麼是多元線性回歸預測
在市場的經濟活動中， 經常會遇到某一市場現象的發展和變化取決於幾個影響因素的情況， 也就是一個因變數和幾個自變數有依存關系的情況。 而且有時幾個影響因素主次難以區分，或者有的因素雖屬次要， 但也不能略去其作用。例如， 某一商品的銷售量既與人口的增長變化有關， 也與商品價格變化有關。這時採用 一元回歸分析預測法 進行預測是難 以奏效的，需要採用多元回歸分析預測法。
5. 多元線性回歸
這個是在做降維因為前文有說全部變數與總資產增長率通不過顯著性檢驗 所以要從中需要找出與總資產增長率相關性高的自變數 再用這些自變數與因變數做回歸分析 不懂可追問
6. 多元線性回歸分析
用MINITAB來分析
如果是用EXCEL的話,用"工具欄"里的"數據分析"中,選定"回歸",再選定數據做分析就可以了.
7. 多元線性回歸，屬於統計學，是不是要有大量數據
因果倒置，不是要有大量的數據，而是有了大量的數據要處理，多元線性回歸才應運而生。
8. 多元線性回歸分析的優缺點
一、多元線性回歸分析的優點：
1、在回歸分析中，如果有兩個或兩個以上的自變數，就稱為多元回歸。事實上，一種現象常常是與多個因素相聯系的，由多個自變數的最優組合共同來預測或估計因變數，比只用一個自變數進行預測或估計更有效，更符合實際。因此多元線性回歸比一元線性回歸的實用意義更大。
2、在多元線性回歸分析是多元回歸分析中最基礎、最簡單的一種。
3、運用回歸模型，只要採用的模型和數據相同，通過標準的統計方法可以計算出唯一的結果。
二、多元線性回歸分析的缺點
有時候在回歸分析中，選用何種因子和該因子採用何種表達 式只是一種推測，這影響了用電因子的多樣性和某些因子的不可測性，使得回歸分析在某些 情況下受到限制。
多元線性回歸的基本原理和基本計算過程與一元線性回歸相同，但由於自變數個數多，計算相當麻煩，一般在實際中應用時都要藉助統計軟體。這里只介紹多元線性回歸的一些基本問題。
(8)多元線性回歸期貨價格擴展閱讀
社會經濟現象的變化往往受到多個因素的影響，因此，一般要進行多元回歸分析，我們把包括兩個或兩個以上自變數的回歸稱為多元線性回歸 。
多元線性回歸與一元線性回歸類似，可以用最小二乘法估計模型參數，也需對模型及模型參數進行統計檢驗 。
選擇合適的自變數是正確進行多元回歸預測的前提之一，多元回歸模型自變數的選擇可以利用變數之間的相關矩陣來解決。
Matlab、spss、SAS等軟體都是進行多元線性回歸的常用軟體。
9. 多元回歸與多元線性回歸有區別沒
1。 線性回歸和非線性回歸沒有實質性的區別，都是尋找合適的參數去滿足已有數據的規律。擬和出來的方程（模型）一般用來內差計算或小范圍的外差。
2。 Y與X之間一般都有內部聯系，如E=m*c^2. 所以回歸前可收集相關信息，或可直接應用。
3。 Y 和每個X之間作出散點圖，觀察他們的對應關系。如果是線性的，改參數可以適用線性回歸；否則，可考慮非線性回歸。
4。 線性回歸可直接用最小二乘法計算對應系數，對系數做假設檢驗（H0： b＝0， Ha： b<>0)， 排除影響小的變數，再次回歸即可； 非線性可以考慮對X或Y作變換，如去對數，平方，開方，指數等，盡可能轉化為線性回歸即可。
5。參考擬和優度R^2 和方差S，對模型的准確性有一定的認識。