原文鏈接：http://tecdat.cn/?p=25180?

原文出處：拓端數據部落公眾號

時間序列分析

對于時間序列分析，有兩種數據格式：??ts??（時間序列）和?xts??（可擴展時間序列）。前者不需要時間戳，可以直接從向量轉換。后者非常重視日期和時間，因此只能使用日期和/或時間列來定義。我們涵蓋了基本的時間序列模型，即 ARMA、GARCH 和 VAR。

時間序列數據

函數?ts?將任何向量轉換為時間序列數據。

1. 


2. price

我們首先為估計定義一個時間序列（ts）對象。請注意，??ts?與?xts類似，?但沒有日期和時間。

1. 


2. df <- ts(df)

3. df

可擴展的時間序列數據xts?

要處理高頻數據（分秒），我們需要包?xts。該包定義可擴展時間序列 (?xts?) 對象。

以下代碼安裝并加載?xts?包。

library(xts)

考慮我們的可擴展時間序列的以下數據

1. date

2. time

3. price

現在我們準備定義?xts?對象。代碼?as.POSIXct()?將字符串轉換為帶有分鐘和秒的日期格式。

1. df <-data.frame

2. df$daime <-paste

3. df$dttime <-as.POSIXct

4. df <- xts

對于僅使用日期的轉換，我們使用?POSIXlt()?而不是?POSIXct()。

1. 


2. df$date <- as.POSIXct

3. df$price <-as.numeric

4. price <-xts

自回歸移動平均模型arima

可以使用?arima()?函數估計自回歸移動平均模型。

以下代碼估計了一個 AR(1) 模型：

1. 


2. AR1

以下代碼估計了一個 AR(2) 模型：

1. AR2 <- arima

2. AR2

以下代碼估計一個 MA(1) 模型：

1. MA1 <- arima

2. MA1

以下代碼估計一個 MA(2) 模型：

MA2 <- arima

以下代碼估計了一個 ARMA(1,1) 模型：

ARMA11 <- arima

有時，我們只想保留系數。

coef #得到系數

以下代碼顯示了殘差圖。

plot

R 有一個方便的函數來?autofit()? 擬合ARIMA 模型的參數。

現在尋找最好的 ARIMA 模型了。

autoarma

時間序列模型的一項重要功能是預測。以下代碼給出了兩步的預測：

teFoast <-predict

下面顯示了預測圖。

plot.ts#可視化預測

ARCH 和 GARCH模型

要估計 ARCH 和 GARCH 模型，我們需要安裝和加載包?rugarch。

我們將在生成隨機數時使用 ARMA(1,1) 估計 GARCH(1,1)

1. a <- runif #隨機數

2. 


3. Spec <-ugarchspec

為了獲得 GARCH 模型的具體結果，我們使用以下代碼：

1. coffnt <-coef

2. voy <- sigma

3. logr.vrae <- uncvariance

VAR模型

以下數據將用于估計 VAR 模型。

要估計 VAR 模型，我們需要安裝和加載?vars?。

以下代碼估計 VAR(2) 模型。

1. abr<-VAR #運行 VAR(2)

2. coef ? ? ? #VAR的系數公式

summary ? #VAR的摘要

要生成系數圖，我們需要安裝并加載包：

以下代碼為 VAR 模型生成系數圖：

plot

最受歡迎的見解

1.在python中使用lstm和pytorch進行時間序列預測

2.python中利用長短期記憶模型lstm進行時間序列預測分析

3.使用r語言進行時間序列（arima，指數平滑）分析

4.r語言多元copula-garch-模型時間序列預測

5.r語言copulas和金融時間序列案例

6.使用r語言隨機波動模型sv處理時間序列中的隨機波動

7.r語言時間序列tar閾值自回歸模型

8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類

9.python3用arima模型進行時間序列預測