拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

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。

  1.    
  2.   price

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

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。

  1.    
  2.   df <- ts(df)
  3.   df

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

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

  1.   date
  2.   time
  3.   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。

  1.   df <-data.frame
  2.   df$daime <-paste
  3.   df$dttime <-as.POSIXct
  4.   df <- xts

对于仅使用日期的转换,我们使用 POSIXlt() 而不是 POSIXct()

  1.    
  2.   df$date <- as.POSIXct
  3.   df$price <-as.numeric
  4.   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:

  1.    
  2.   AR1

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

以下代码估计了一个 AR(2) 模型:

  1.   AR2 <- arima
  2.   AR2

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

以下代码估计一个 MA(1) 模型:

  1.   MA1 <- arima
  2.   MA1

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

以下代码估计一个 MA(2) 模型:

MA2 <- arima

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

以下代码估计了一个 ARMA(1,1) 模型:

ARMA11 <- arima

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

有时,我们只想保留系数。

coef #得到系数

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

以下代码显示了残差图。

plot

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

R 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

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

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

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

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)

  1.   a <- runif #随机数
  2.    
  3.   Spec <-ugarchspec

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

为了获得 GARCH 模型的具体结果,我们使用以下代码:

  1.   coffnt <-coef
  2.   voy <- sigma
  3.   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。

  1.   abr<-VAR #运行 VAR(2)
  2.   coef #VAR的系数公式

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

summary   #VAR的摘要

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

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

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列


拓端tecdat|R语言ARIMA、GARCH 和 VAR模型估计、预测ts 和 xts格式时间序列

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

3.使用r语言进行时间序列(arima,指数平滑)分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

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

9.python3用arima模型进行时间序列预测

上一篇:CF1513F Swapping Problem


下一篇:BZOJ3218. a + b Problem