原文链接：http://tecdat.cn/?p=25180
原文出处：拓端数据部落公众号
时间序列分析
对于时间序列分析，有两种数据格式： ts （时间序列）和 xts （可扩展时间序列）。前者不需要时间戳，可以直接从向量转换。后者非常重视日期和时间，因此只能使用日期和/或时间列来定义。我们涵盖了基本的时间序列模型，即 ARMA、GARCH 和 VAR。
时间序列数据
函数 ts 将任何向量转换为时间序列数据。
- price
我们首先为估计定义一个时间序列（ts）对象。请注意， ts 与 xts类似， 但没有日期和时间。
- df <- ts(df)
- df
可扩展的时间序列数据xts
要处理高频数据（分秒），我们需要包 xts。该包定义可扩展时间序列 ( xts ) 对象。
以下代码安装并加载 xts 包。
library(xts) 考虑我们的可扩展时间序列的以下数据
- date
- time
- price
现在我们准备定义 xts 对象。代码 as.POSIXct() 将字符串转换为带有分钟和秒的日期格式。
- df <-data.frame
- df$daime <-paste
- df$dttime <-as.POSIXct
- df <- xts
对于仅使用日期的转换，我们使用 POSIXlt() 而不是 POSIXct()。
- df$date <- as.POSIXct
- df$price <-as.numeric
- price <-xts
自回归移动平均模型arima
可以使用 arima() 函数估计自回归移动平均模型。
以下代码估计了一个 AR(1) 模型：
- AR1
以下代码估计了一个 AR(2) 模型：
- AR2 <- arima
- AR2
以下代码估计一个 MA(1) 模型：
- MA1 <- arima
- MA1
以下代码估计一个 MA(2) 模型：
MA2 <- arima以下代码估计了一个 ARMA(1,1) 模型：
ARMA11 <- arima
有时，我们只想保留系数。
coef #得到系数以下代码显示了残差图。
plotR 有一个方便的函数来 autofit() 拟合ARIMA 模型的参数。
现在寻找最好的 ARIMA 模型了。
autoarma时间序列模型的一项重要功能是预测。以下代码给出了两步的预测：
teFoast <-predict下面显示了预测图。
plot.ts#可视化预测ARCH 和 GARCH模型
要估计 ARCH 和 GARCH 模型，我们需要安装和加载包 rugarch。
我们将在生成随机数时使用 ARMA(1,1) 估计 GARCH(1,1)
- a <- runif #随机数
- Spec <-ugarchspec
为了获得 GARCH 模型的具体结果，我们使用以下代码：
- coffnt <-coef
- voy <- sigma
- logr.vrae <- uncvariance
VAR模型
以下数据将用于估计 VAR 模型。
要估计 VAR 模型，我们需要安装和加载 vars 。
以下代码估计 VAR(2) 模型。
- abr<-VAR #运行 VAR(2)
- coef #VAR的系数公式
summary #VAR的摘要要生成系数图，我们需要安装并加载包：
以下代码为 VAR 模型生成系数图：
plot最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类