基于R的金融收益的分析和预测

研究目的：根据上证综合指数历史收益率数据（2016.1.5-2018.4.4），对其收益进行分析和预测。

**分析思路：**读取数据—平稳性检验—白噪声检验（代码同上，此处不再赘述）–ARIMA模型拟合—序列预测。

预备知识1：ARIMA模型拟合指令arima(x,order=c(p,d,q),method=c(“ML”,“CSS”),include.mean)
其中:x—带估计序列；
Order—指定模型阶数；其中，P为自回归阶数；d为差分阶数，若为平稳序列，则不需要差分即d=0；q为移动平均阶数。
method—估计方法。method =CSS-ML，系统默认的是条件最小二乘估计和极大似然估计的混合方法；method =ML，极大似然估计；method =CSS，条件最小二乘估计；
include.mean—是否包含均值项，即估计结果中的intercept项。系统默认含有常数项。

本案例中的R语言代码：
（1）读取数据，画出时序图。

d=read.table("C:\\Users\\Administrator\\Desktop\\数据.txt",header=T) #导入数据
shouyi=ts(d) #转化为时间序列数据
plot(shouyi)   #作时序图。通过时序图，发现该序列大致平稳时间序列。

（2）进一步的，对序列进行ADF单位根检验，判断其平稳性。

library(fBasics)
library(fUnitRoots)
#对序列进行ADF单位根检验。下载并安装“fUnitRoots”包，用library函数进行调用。该程序包中的adfTest函数可以很便捷的进行单位根检验。
for(i in 1:3)print(adfTest(shouyi,lag=i,type="nc"))
#对“shouyi”序列进行检验类型为类型1（无趋势，无常数项），延迟阶数分别取1,2,3的单位根检验。结果表明该序列为平稳时间序列。

（3）序列的白噪声检验

Box.test(shouyi, type="Ljung-Box",lag=6)
Box.test(shouyi, type="Ljung-Box",lag=12)  #分别进行滞后期数为6和12期的纯随机性检验。检验结果表明，其统计量对应的P值都小于0.05，拒绝原假设，序列不是白噪声序列。

（4）收益率的ARMA建模

acf(shouyi,16)  #作自相关图，且具有拖尾特性。
pacf(shouyi,16)  #作偏自相关图，且具有拖尾特性。
`![图2 收益率的ACF图](https://img-blog.csdnimg.cn/202009181921444.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3Nub3c2NTQzMjE=,size_16,color_FFFFFF,t_70#pic_center)
![图3 收益率的PACF图](https://img-blog.csdnimg.cn/20200918192240543.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3Nub3c2NTQzMjE=,size_16,color_FFFFFF,t_70#pic_center)```python
arima(shouyi, order = c(1,0,1),method="ML")

（5）模型的检验
（5.1）模型的显著性检验

a= arima(shouyi, order = c(1,0,1),method="ML")  #把所有的拟合信息都存在一个叫“a”的文件（仓库）里。
r=a$residuals
#用r来保存残差
Box.test(r,type="Ljung-Box",lag=6,fitdf=2)
Box.test(r,type="Ljung-Box",lag=12,fitdf=2)
#对残差序列进行纯随机性检验。注意：fitdf的值等于（p+q）。当检验的序列是残差序列时，需要加上命令fitdf，表示减去的自由度。

R的结果：

表明，ARMA（1,1）模型的残差序列并不是一个白噪声序列，但序列中的相关信息已经充分提取了，这是由于残差序列存在异方差所造成的。这一点和Engle在1982年分析英国通货膨胀率序列时应用经典的ARIMA模型始终无法得到理想的拟合效果，而原因出在残差序列具有异方差性是一样的。所以，此时考虑用ARCH类模型对该序列进行分析。

（5.2）参数的显著性检验

p=pt(abs(-0.7470/0.0981),df=547,lower.tail = F)*2    #对ar1项的参数进行t检验。pt()为求t分布的p值的函数，第一项为参数估计值的t统计量的绝对值；df为自由度=数据个数-参数个数；lower.tail = F表示所求p值为P[T > t]即右侧概率；乘2表示p值是双侧的。
p=pt(abs(0.6356/0.1082),df=547,lower.tail = F)*2   #对ma1项的参数进行t检验。

两个参数的t检验的P值都小于0.05，结果表明ARMA（1,1）模型中的参数通过了显著性检验。

收益率拟合模型为：

（6）收益率的预测

library(forecast)   #用forecast函数完成预测。forecast(object,h=,level=)，其中，object：拟合信息文件名；h：预测期数；level:置信区间的置信水平。不特殊指定的话，系统默认给出置信水平分别为80%和95%的双层置信区间。
shouyi.forecast=forecast(a,3,level=95)  #用forecast函数完成未来3期的预测，置信度取95%。
shouyi.forecast

基于R的金融收益的分析和预测相关推荐

大数据应用实践1：基于开源架构的股票行情分析与预测
股票市场行情分析与预测一直是数据分析领域里面的重头戏,确切地说IT行业的每一次重大发展的幕后推动者以及新产品(特别是高端产品)的最先尝试者都包含金融行业,特别是证券交易市场,它符合大数据的四大特征:交 ...
基于数据挖掘的疾病数据可视化分析与预测系统
温馨提示:文末有 CSDN 平台官方提供的学长 Wechat / QQ 名片 :) 1. 项目简介随着医院信息系统(HIS)在全国各大医院的推广和应用,会有大量和病人相关的临床数据每天在医院中记录, ...
基于R语言股票市场收益的统计可视化分析
最近我们被客户要求撰写关于股票市场收益的研究报告,包括一些图形和统计输出. 金融市场上最重要的任务之一就是分析各种投资的历史收益.要执行此分析,我们需要资产的历史数据.数据提供者很多,有些是免费的,大 ...
python量化交易策略实例_Python量化实例 – 基于股票的金融数据量化分析
说明:本文只是通过自己的已学知识对一.分析目的利用预先设定的策略,通过对股票交易的历史数据进行回测,验证该策略是否能指导股票交易. 二.数据处理 1.数据集描述数据集简介:此数据集来源于Nasd ...
基于R语言的适用于问卷分析中比较各问项满意度差异的Ridit算法
代码来自于网络,原链接,为方便后续使用,故做此记录. 案例描述本案例所用到的数据源自于问卷调查,目的是探究问卷各项满意度是否存在差异数据行代表8个问项,列代表0-10十个打分分析思路满意度 ...
基于R语言的Kaggle案例分析-泰坦尼克号
背景泰坦尼克号由位于北爱尔兰贝尔法斯特的哈兰·沃尔夫船厂兴建,是当时最大的客运轮船,由于其规模相当一艘现代航空母舰,因而号称"上帝也沉没不了的巨型邮轮".在泰坦尼克号的处女航中, ...
python 数据分析电信_基于Python的电信客户流失分析和预测
一.项目背景电信服务是生活中常见的消费服务,在现代社会,凡是使用手机打电话,或者在家看电视,都必须通过电信运营商提供的通话.网络等服务才能实现.本文采用来自kaggle平台的电信客户数据集,来分析人 ...
Protein Cell：基于R语言的微生物组数据挖掘最佳流程（大众评审截止14号晚6点）...
Protein & Cell综述:基于R语言的微生物组数据挖掘的最佳流程近日,中国农业科学院刘永鑫组联合南京农业大学袁军组在国际期刊 Protein & Cell (IF = 15. ...
基于R语言时间序列分析所有指令[2021]
文章主要是总结一学期所学,基本覆盖了所有常见的指令,足够完成arima模型的数据选择到模型预测. 时间序列应用广泛,不能仅仅局限于理论学习,代码实践更为重要. 往期文章链接: 基于 ARIM ...

基于R的金融收益的分析和预测

基于R的金融收益的分析和预测相关推荐

最新文章

热门文章