R语言实现金融数据的时间序列分析及建模
R语言实现金融数据的时间序列分析及建模
一 移动平均
移动平均能消除数据中的季节变动和不规则变动。若序列中存在周期变动,则通常以周期为移动平均项数。移动平均法可以通过数据显示出数据长期趋势的变动规律。
R可用filter()函数做移动平均。用法:filter(data,filter,sides)
1、简单移动平均
简单移动平均就是将n个观测值的平均数作为第(n 1)/2个的拟合值。当n为偶数时,需进行二次移动平均。简单移动平均假设序列长期趋势的斜率不变。
以我国1992到2014年的季度GDP数据为例。
data<-read.csv("gdpq.csv")
tdata<-ts(data,start=1992,freq=4)
m1<-filter(tdata,filter=c(rep(1/4,4)))
plot(tdata,xlab="时间",ylab="gdp")
lines(m1,col="red",cex=1.5)
代码运行结果如上图,红色表示拟合值,黑色表示真实值。
2、二次移动平均
二次移动平均即在一次移动平均的基础上再进行一次移动平均。一般两次移动平均的项数是一致的。二次移动平均假设序列长期趋势的斜率是随时间的变化而变化的。
二次移动平均长期趋势的拟合公式为:at=2M1t−M2t,其中M1t 表示第一次移动平均的拟合值,M2t表示二次移动平均的拟合值。
同样以上述数据为例,进行二次移动平均。代码如下:
plot(tdata,type="l",xlab="时间",ylab="季度GDP")
m2<-filter(m1,filter=c(rep(1/4,4)),sides=1)
lines(2*m1-m2,col="red",cex=2)
代码运行结果如上图所示,红色为二次移动的拟合值。
二 指数平滑
指数平滑的思想与移动平均是一样的,只是随着时间间隔的增加,加权的权重会呈指数衰减。它认为时间间隔越远的数据对当期数据的影响越小。R调用的函数为
HoltWinters(data, alpha=, beta=, gamma=,seasonal=c(“additive”,”multiple”)…)
1、简单指数平滑
简单指数平滑假设序列中不存在季节变动和系统的趋势变化。模型公式为:
Xt=axt (1−a)Xt−1,0
a为平滑系数,Xt 为拟合值,xt 为真实值。一般指定X0=x1 ,并且a越大,平滑程度越弱。R语言中有函数可以通过最小化一步预测误差平方和的方法估计出a。以2010年到2014年消费者新心指数为例,并预测2015年前6个月的值。代码如下:
> data<-read.csv("consumer_cf.csv")
> newdata<-ts(data[,2],start=c(2010,1),freq=12)
> plot(newdata,type="o",cex.axis=1.5,cex.lab=1.5,
xlab="时间",ylab="消费者信心指数")
> a<-HoltWinters(newdata,beta=F,gamma=F)
> b<-HoltWinters(newdata,alpha=0.5,beta=F,gamma=F) #估计参数a
> b
Holt-Winters exponential smoothing without trend and without seasonal component.
Call:
HoltWinters(x = newdata, alpha = 0.5, beta = F, gamma = F)
Smoothing parameters:
alpha: 0.5
beta : FALSE
gamma: FALSE
Coefficients:
[,1]
a 105.2898
> pdata<-predict(a,6,prediction.interval = T)
> plot(a,pdata,type="o",xlab="时间",ylab="消费者信心指数")
代码运行结果如上所示。用HoltWinters()函数估计出来的a=0.78,且向后预测值为图中红色部分,黑色为真实值。这种预测方法预测出的值往往不够精确,因为它没有考虑序列中存在的其他变动。
2、Holt_Winters指数平滑
Holt_Winters指数平滑考虑了序列中存在的季节变动,这种方法对存在季节变动的经济数据有较好的拟合效果,可以用来进行向后预测。
加法季节模型:
Xt=a∗(xt−st) (1−a)(at−1 bt−1
bt=β∗(Xt−Xt−1) (1−β)bt−1
st=γ∗(xt−Xt) (1−γ)st−p
其中p为季节变动的周期长度。其他含义同上。以上述的GDP数据为例,用HoltWinters指数平滑法分解GDP的水平,斜率及季节变动水平,并预测未来5年的值。代码如下:
> data<-read.csv("gdpq.csv")
> tdata<-ts(data,start=1992,freq=4)
> gdp.hw<-HoltWinters(tdata,seasonal="multi")
> plot(gdp.hw$fitted,type="o",main="分解图")
> plot(gdp.hw,type="o")
> pdata<-predict(gdp.hw,n.ahead=4*5)
> pdata
Qtr1 Qtr2 Qtr3 Qtr4
2015 149826.6 168126.7 176640.3 192627.9
2016 161252.4 180708.2 189616.2 206523.1
2017 172678.2 193289.7 202592.1 220418.2
2018 184104.1 205871.2 215568.0 234313.4
2019 195529.9 218452.8 228543.8 248208.5
> ts.plot(tdata,pdata,type="o",lty=1:2,col=c("red","black"))
代码中采用了加法模型。序列的分解图如上图所示。第二个图为模型对数据的拟合图,第三个图的虚线部分为后5年的预测。
转载于:https://www.cnblogs.com/amengduo/p/9586525.html
R语言实现金融数据的时间序列分析及建模相关推荐
- r语言 python 金融 论文_R语言实现金融数据的时间序列分析及建模
一 移动平均 移动平均能消除数据中的季节变动和不规则变动.若序列中存在周期变动,则通常以周期为移动平均项数.移动平均法可以通过数据显示出数据长期趋势的变动规律. R可用filter()函数做移动平均. ...
- 使用R语言对股票数据进行时间序列分析
tushareID:469251 R语言相对于python在做统计分析是十分方便的软件,时间序列分析在数理统计理论方面很有支撑,解释性也很强,理论已经很成熟,不了解的小伙伴可以去搜下相关课程. 这里记 ...
- R语言ARIMA集成模型预测时间序列分析
全文链接:http://tecdat.cn/?p=18493 本文我们使用4个时间序列模型对每周的温度序列建模.第一个是通过auto.arima获得的,然后两个是SARIMA模型,最后一个是Buys- ...
- R语言入门(1)时间序列分析
时间序列分析 使用软件为Rstudio,参考CRAN中时间序列分析分析函数和package,拿手上的数据练习一下时间序列分析. 1.原始数据说明 选择连续9天的数据,共2025条,时间间隔为5分钟.具 ...
- R语言入门(2)时间序列分析原理
1.随机游走模型 1.1 基本介绍 随机游走模型是时间序列分析中最基本的概念,是一个著名的非平稳序列.公式如下: Yt=Yt−1+ut Y_t = Y_{t-1} + u_t 式中, utu_t是一个 ...
- R语言与金融大数据处理——基础篇(代码)
# 加百力咨询: <R语言与金融大数据处理> - <基础篇> (v1.0) # 最后修改时间:2014-04-23(17.3)# 加百力咨询: <R语言与金融大数据处理& ...
- R语言在金融中的应用二
3.文件输入输出以及常见错误 3.1 R脚本文件输入(打开) .R 利用Rstudio界面 利用R界面 命令打开 file.edit("#dir",fileEncoding = & ...
- R语言在金融中的运用一
R语言在金融中的运用 财富管理 风控 数据采集 新浪微博.新浪新闻.股吧.Google.Bloomberg.新浪博客.人民日报.雪球.twitter.Seeking Alpha 继承S语言 1.R包相 ...
- R语言处理表格数据(一)
目录 写在前面 1. Excel有上百列数据,把每列数据首尾相接合并成一个向量(一列) 2. 合并多个数据表(.csv) 3. 实现2个Excel表相同数据的关联,并提取相同数据到新表 4. 获取Ex ...
最新文章
- 机器学习项目模板:ML项目的6个基本步骤
- python能在生活中做什么-python能做哪些生活有趣的事情
- android项目出现红色大感叹号的问题解决方法
- vscode配置、使用git
- Java 基础——数组解析
- 洛谷 P1356 数列的整除性
- 44rwx权限45权限说明案例46修改权限
- CSS 分组 和 嵌套 选择器
- 【C++ 与 STL】不定长数组:vector
- canvas学习(四):高级属性
- 2021-01-21
- simulink单位转换小迈步
- xp计算机无法远程桌面连接,xp系统远程桌面不能连接指定计算机的处理方法
- 009-lissajous(一)
- 知识点滴 - 项目阶段的定义
- 逻辑输出光电耦合器 TLP350
- Python采集最热影评 + 制作词云图
- 关于3年买车5年买房的那些事
- Nginx配置文件参数详解以及配置文件模板
- 轻松让你实现浏览器截图、截屏
热门文章
- 空气培养皿采样后保存_环境监测基础知识——环境空气监测技术之布点采样
- 配置LNMP遇到的问题(页面空白,不能解析php等)以及fastcgi和php-fom的关系
- 大厂首发!java代码对齐快捷键
- 【深度学习入门到精通系列】使用Plotly绘制气泡图(以U-Net等网络性能比较为例)
- 【Java Web前端开发】JavaScript基础
- 【网页前端设计Front end】HTML语言基础.上(看不懂你来打我)
- 归并排序执行次数_归并排序过程、时间复杂度分析及改进
- android图片的处理方法,android 处理图片到固定像素解决办法
- 企业网络推广浅析网站首页什么样的布局有利于优化?
- 网络营销外包专员浅析响应式网站建设应注意哪些网络营销外包细节