R的极客理想系列文章，涵盖了R的思想，使用，工具，创新等的一系列要点，以我个人的学习和体验去诠释R的强大。

R语言作为统计学一门语言，一直在小众领域闪耀着光芒。直到大数据的爆发，R语言变成了一门炙手可热的数据分析的利器。随着越来越多的工程背景的人的加入，R语言的社区在迅速扩大成长。现在已不仅仅是统计领域，教育，银行，电商，互联网….都在使用R语言。

要成为有理想的极客，我们不能停留在语法上，要掌握牢固的数学，概率，统计知识，同时还要有创新精神，把R语言发挥到各个领域。让我们一起动起来吧，开始R的极客理想。

关于作者：

• 张丹(Conan), 程序员R,Nodejs,Java
• weibo：@Conan_Z
• blog: http://blog.fens.me
• email: bsspirit@gmail.com

转载请注明出处：
http://blog.fens.me/r-ar

前言

时间序列是金融分析中常用到的一种数据格式，自回归模型是分析时间序列数据的一种基本的方法。通过建立自回归模型，找到数据自身周期性的规律，从而帮助我们理解金融市场的发展变化。

在时间序列分析中，有一个常用的模型包括AR，MA，ARMA，ARIMA，ARCH，GARCH，他们的主要区别是适用条件不同，且是层层递进的，后面的一个模型解决了前一个模型的某个固有问题。本文以AR模型做为开始，将对时间序列分析体系，进行完整的介绍，并用R语言进行模型实现。

由于本文为非统计的专业文章，所以当出现与教课书不符的描述，请以教课书为准。本文力求用简化的语言，来介绍自回归模型的知识，同时配合R语言的实现。

目录

1. 自回归模型介绍
2. 用R语言构建自回归模型
3. 模型识别ACF/PACF
4. 模型预测

1. 自回归模型(AR)

自回归模型(Autoregressive model)，简称AR模型，是统计上一种处理时间序列的方法，用来描述当前值与历史值之间的关系，用变量自身的历史时间数据对自身进行预测，自回归模型必须满足平稳性的要求。比如，时间序列数据集X 的历史各期数据从X1至Xt-1，假设它们为线性关系，可以对当期Xt的表现进行预测。X的当期值等于一个或数个落后期的线性组合，加常数项，加随机误差。

p阶自回归过程的公式定义：

字段解释：

• Xt是当期的X的表现
• c是常数项
• p是阶数，i为从1到p的值
• φi是自相关系数
• t为时间周期
• εt是均值为0，标准差为δ 的随机误差，同时δ是独立于t的

对于一阶自回模型，用AR(1)来表示，简化后的公式为：

自回归是从线性回归分析中发展而来，只是把自变量x对因变量y的分析，变成自变量x对自身的分析。如果你需要了解线性回归的知识，请参考文章R语言解读一元线性回归模型。

自回归模型的限制

自回归模型是用自身的数据来进行预测，但是这种方法受到一定的限制：

• 必须具有平稳性，平稳性要求随机过程的随机特征不随时间变化。
• 必须具有自相关性，如果自相关系数(φi)小于0.5，则不宜采用，否则预测结果极不准确。
• 自回归只适用于预测与自身前期相关的现象，即受自身历史因素影响较大的现象。对于受其他因素影响的现象，不宜采用自回归，可以改用向量自回归模型。

平稳性时间序列的特点

平稳性要求产生时间序列Y的随机过程的随机特征不随时间变化，则称过程是平稳的；假如该随机过程的随机特征随时间变化，则称过程是非平稳的。

平稳性是由样本时间序列所得到的拟合曲线，在未来的一段期间内能顺着现有的形态能一直地延续下去；如果数据非平稳，则说明样本拟合曲线的形态不具有延续的特点，也就是说拟合出来的曲线将不符合当前曲线的形态。

• 随机变量Yt的均值和方差均与时间t无关
• 随机变量Yt和Ys的协方差只与时间差（步长）t-s有关
• 对于平稳时间序列在数学上有比较丰富的处理手段，非平稳的时间序列通过差分等手段转化为平稳时间序列处理

2. 用R语言构建自回归模型

了解了自回归模型的定义，我们就可以用R语言来模拟一下自回归模型的构建和计算过程。

生成一个随机游走的数据集，满足平稳性的要求。

# 随机游走的数据集
> set.seed(0)
> x for(t in 2:1000) x[t] tsx head(tsx,15)[1] 1.2629543 0.9367209 2.2665202 3.5389495 3.9535909 2.4136409[7] 1.4850739 1.1903534 1.1845862 3.5892396 4.3528331 3.5538238
[13] 2.4061668 2.1167053 1.8174901> plot(tsx)            # 生成可视化图形
> a

数据的如图展示：

自相关系数为0.9879 ，这是一个非常强的自相关性，所以上述的数列符合自相关的特性。

R语言中ar()函数提供了多种自相关系数的估计，包括"yule-walker", "burg", "ols", "mle", "yw"，默认是用yule-walker方法，常用的方法还有最小二乘法(ols)，极大似然法(mle)。

我们用最小二乘法，来进行参数估计。

> b

用最小二乘法的计算结果，则自相关系统数为0.9911，截距为-0.017。只有使用最小二乘法进行参数估计的时候，才会有截距。

我们用极大似然法，来进行参数估计。

> d

用极大似然法计算结果，则自相关系统数为0.9904。对于上面3种估计方法，自相关系数的值都是很接近的。

3. 模型识别ACF/PACF

在上面的例子中，我们默认是用一阶的自回归模型AR(1)，进行程序实现的。在实际应用中，自回归模型AR时间序列的阶数P是未知的，必须根据实际数据来决定，就要对AR模型定阶数。常的方法就是利用自相关函数(ACF)和偏自相关函数(PACF)来确定自回归模型的阶数。在ACF/PACF不能确定的情况下，还需要用AIC(Aikaike info Criterion)、BIC(Bayesian information criterion)的信息准则函数来确定阶数。

自回归模型的确立过程，是通过确定阶数，参数估计，再次确定阶数的方法进行判断。自相关函数ACF，用来确定采用自回归模型是否合适。如果自相关函数具有拖尾性，则AR模型为合适模型。偏自相关函数PACF用来确定模型的阶数，如果从某个阶数之后，偏自相关函数的值都很接近0，则取相应的阶数作为模型阶数，偏自相关函数通过截尾性确定阶数。

1. 自相关函数ACF(autocorrelation function)

将一个有序的随机变量序列与其自身相比较，这就是自相关函数在统计学中的定义。每个不存在相位差的序列，都与其自身相似，即在此情况下，自相关函数值最大。如果序列中的组成部分相互之间存在相关性（不再是随机的），则由以下相关值方程所计算的值不再为零，这样的组成部分为自相关。

自相关函数反映了同一序列在不同时序的取值之间的相关程序。

ACF的公式为：

字段解释

• Pk,为ACF的标准误差
• t,为数据集的长度
• k,为滞后，取值从1到t-1，表示相距 k个时间间隔的序列值之间的相关性
• Yt,为样本在t时期的值
• Yt-k,为样本在t-k时期的值
• μ,为样本的均值

所得的自相关值Pk的取值范围为[-1,1],1为最大正相关值，-1则为最大负相关值，0为不相关。

根据上面公式，我们可以手动计算出tsx数据集的ACF值

> u v # 1阶滞后
> p1 # 2阶滞后
> p2 # 3阶滞后
> p3

同时，我们可以用R语言中的acf()函数来计算，会打印前30个滞后的ACF值。

> acf(tsx)$acf
, , 1[,1][1,] 1.0000000[2,] 0.9878619[3,] 0.9760271[4,] 0.9635961[5,] 0.9503371[6,] 0.9384022[7,] 0.9263075[8,] 0.9142540[9,] 0.9024862
[10,] 0.8914740
[11,] 0.8809663
[12,] 0.8711005
[13,] 0.8628609
[14,] 0.8544984
[15,] 0.8462270
[16,] 0.8384758
[17,] 0.8301834
[18,] 0.8229206
[19,] 0.8161523
[20,] 0.8081941
[21,] 0.8009467
[22,] 0.7942255
[23,] 0.7886249
[24,] 0.7838154
[25,] 0.7789733
[26,] 0.7749697
[27,] 0.7709313
[28,] 0.7662547
[29,] 0.7623381
[30,] 0.7604101
[31,] 0.7577333

比较前3个值的计算结果，与我们自己的计算结果是一样的，同时可以用R语言进行可视化输出。

> acf(tsx)

从上图中看出，数据的ACF为拖尾，存在很严重的自相关性。接下来，这时候我们用偏自相关函数确定一下AR的阶数。

2. 偏自相关函数(PACF)(partial autocorrelation function)

偏自相关函数是有自相关函数推到而来。对于一个平稳AR(p)模型，求出滞后k自相关系数p(k)时，实际上得到并不是x(t)与x(t-k)之间单纯的相关关系。因为x(t)同时还会受到中间k-1个随机变量x(t-1)、x(t-2)、……、x(t-k+1)的影响，而这k-1个随机变量又都和x(t-k)具有相关关系，所以自相关系数p(k)里实际掺杂了其他变量对x(t)与x(t-k)的影响。

为了能单纯测度x(t-k)对x(t)的影响，引进偏自相关系数的概念。对于平稳时间序列{x(t)}，所谓滞后k偏自相关系数指在给定中间k-1个随机变量x(t-1)、x(t-2)、……、x(t-k+1)的条件下，或者说，在剔除了中间k-1个随机变量x(t-1)、x(t-2)、……、x(t-k+1)的干扰之后，x(t-k)对x(t)影响的相关程度。

简单来说，就是自相关系数ACF还包含了其他变量的影响，而偏自相关系数PACF是严格这两个变量之间的相关性。在ACF中存在着线性关系和非线性关系，偏自相关函数就是把线性关系从自动关系性中消除。当PACF近似于0，表明两个时间点之间的关系性是完全由线性关系所造成的。

通过R语言的pacf()函数来进行偏自相关函数计算。

> pacf(tsx)$acf
, , 1[,1][1,]  0.987861891[2,]  0.006463542[3,] -0.030541593[4,] -0.041290415[5,]  0.047921168[6,] -0.009774246[7,] -0.006267004[8,]  0.002146693[9,]  0.028782423
[10,]  0.014785187
[11,]  0.019307564
[12,]  0.060879259
[13,] -0.007254278
[14,] -0.004139848
[15,]  0.015707900
[16,] -0.018615370
[17,]  0.037067452
[18,]  0.019322565
[19,] -0.048471479
[20,]  0.023388065
[21,]  0.027640953
[22,]  0.051177900
[23,]  0.028063875
[24,] -0.003957142
[25,]  0.034030631
[26,]  0.004270416
[27,] -0.029613088
[28,]  0.033715973
[29,]  0.092337583
[30,] -0.031264028# 可视化输出
> pacf(tsx)

从上面的这个结果分析，当滞后为1时AR模型显著，滞后为其他值是PACF的值接近于0不显著。所以，对于数据集tsx来说，数据满足AR(1)的自回归模型。对于上文中参数估计出的1阶自相关系数值是可以用的。

4. 模型预测

通过模型识别，我们已经确定了数据集tsx是符合AR(1)的建模条件的，同时我们也创建了AR(1)模型。接下来，就可以利用这个自回测的模型的进行预测，通过规律发现价值。在R语言中，我们可以用predict()函数，实现预测的计算。

使用AR(1)模型进行预测，并保留前5个预测点。

> predict(a,10,n.ahead=5L)
$pred
Time Series:
Start = 2
End = 6
Frequency = 1
[1] 9.839680 9.681307 9.524855 9.370303 9.217627$se
Time Series:
Start = 2
End = 6
Frequency = 1
[1] 1.080826 1.519271 1.849506 2.122810 2.359189

上面结果中，变量$pred表示预测值，变量$se为误差。

我可以生成可视化的图，更直观的看到预测的结果。

# 生成50个预测值
> tsp plot(tsx)# 把预测值和误差画出来
> lines(tsp$pred,col='red')
> lines(tsp$pred+tsp$se,col='blue')
> lines(tsp$pred-tsp$se,col='blue')

图中，黑色线为原始数据的，红色线为预测值，蓝色线为预测值的范围。这样我们就利用AR(1)模型，实现了对规律的预测计算。

上面关于预测和可视化的过程,我们是通过原生的predict()函数和plot()函数完成的。在R语言中，可以用forecast包来简化上面的操作过程，让代码更少，操作更便捷。

# 加载forecast包
> library('forecast')# 生成模型AR(1)
> a2  tsp2 plot(tsp2)

查看forecast()计算后的预测结果。

> tsp2Point Forecast     Lo 80      Hi 80     Lo 95       Hi 95
1001      -15.71590 -16.99118 -14.440628 -17.66627 -13.7655369
1002      -15.60332 -17.39825 -13.808389 -18.34843 -12.8582092
1003      -15.49181 -17.67972 -13.303904 -18.83792 -12.1456966
1004      -15.38136 -17.89579 -12.866932 -19.22685 -11.5358726
1005      -15.27197 -18.06994 -12.474000 -19.55110 -10.9928432
1006      -15.16362 -18.21425 -12.112996 -19.82915 -10.4980922
1007      -15.05631 -18.33593 -11.776682 -20.07206 -10.0405541
1008      -14.95001 -18.43972 -11.460312 -20.28705  -9.6129750
1009      -14.84474 -18.52891 -11.160567 -20.47919  -9.2102846
1010      -14.74046 -18.60591 -10.875013 -20.65216  -8.8287673
1011      -14.63718 -18.67257 -10.601802 -20.80877  -8.4655994
1012      -14.53489 -18.73030 -10.339486 -20.95121  -8.1185723
1013      -14.43357 -18.78024 -10.086905 -21.08123  -7.7859174
1014      -14.33322 -18.82333  -9.843112 -21.20026  -7.4661903
1015      -14.23383 -18.86034  -9.607319 -21.30947  -7.1581923
1016      -14.13538 -18.89190  -9.378864 -21.40985  -6.8609139

通过forecast()函数，直接生成了Forecast值，80%概率的预测值范围，和95%概率的预测值范围。

在明白了整个自回归模型的设计思路、建模过程、检验条件、预测计算、可视化展示的完整操作后，我们就可以真正地把自回归模型用到实际的业务中。发现规律，发现价值！！

自回归模型只是开始，下一篇继续介绍移动平均模型(MA)的建模和使用过程。

转载请注明出处：
http://blog.fens.me/r-ar

This entry was posted in R语言实践, 数据挖掘