原文連結：http://tecdat.cn/?p=25180

原文出處：拓端資料部落公眾號

時間序列分析

對於時間序列分析，有兩種資料格式：ts（時間序列）和xts（可擴充套件時間序列）。前者不需要時間戳，可以直接從向量轉換。後者非常重視日期和時間，因此只能使用日期和/或時間列來定義。我們涵蓋了基本的時間序列模型，即 ARMA、GARCH 和 VAR。

時間序列資料

函式ts將任何向量轉換為時間序列資料。

2. price

我們首先為估計定義一個時間序列（ts）物件。請注意，ts與xts類似，但沒有日期和時間。

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

可擴充套件的時間序列資料xts

要處理高頻資料（分秒），我們需要包xts。該包定義可擴充套件時間序列 (xts) 物件。

以下程式碼安裝並載入xts包。

library(xts) 

考慮我們的可擴充套件時間序列的以下資料

1. date
2. time
3. price

現在我們準備定義xts物件。程式碼as.POSIXct()將字串轉換為帶有分鐘和秒的日期格式。

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

對於僅使用日期的轉換，我們使用POSIXlt()而不是POSIXct()。

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

自迴歸移動平均模型arima

可以使用arima()函式估計自迴歸移動平均模型。

以下程式碼估計了一個 AR(1) 模型：

2. AR1

以下程式碼估計了一個 AR(2) 模型：

1. AR2 <- arima
2. AR2

以下程式碼估計一個 MA(1) 模型：

1. MA1 <- arima
2. MA1

以下程式碼估計一個 MA(2) 模型：

MA2 <- arima

以下程式碼估計了一個 ARMA(1,1) 模型：

ARMA11 <- arima

有時，我們只想保留係數。

coef #得到係數

以下程式碼顯示了殘差圖。

plot

R 有一個方便的函式來autofit() 擬合ARIMA 模型的引數。

現在尋找最好的 ARIMA 模型了。

autoarma

時間序列模型的一項重要功能是預測。以下程式碼給出了兩步的預測：

teFoast <-predict

下面顯示了預測圖。

plot.ts#視覺化預測

ARCH 和 GARCH模型

要估計 ARCH 和 GARCH 模型，我們需要安裝和載入包rugarch。

我們將在生成隨機數時使用 ARMA(1,1) 估計 GARCH(1,1)

1. a <- runif #隨機數
3. Spec <-ugarchspec

為了獲得 GARCH 模型的具體結果，我們使用以下程式碼：

1. coffnt <-coef
2. voy <- sigma
3. logr.vrae <- uncvariance

VAR模型

以下資料將用於估計 VAR 模型。

要估計 VAR 模型，我們需要安裝和載入vars。

以下程式碼估計 VAR(2) 模型。

1. abr<-VAR #執行 VAR(2)
2. coef #VAR的係數公式

summary   #VAR的摘要

要生成係數圖，我們需要安裝並載入包：

以下程式碼為 VAR 模型生成係數圖：

plot

最受歡迎的見解

1.在python中使用lstm和pytorch進行時間序列預測

2.python中利用長短期記憶模型lstm進行時間序列預測分析

3.使用r語言進行時間序列（arima，指數平滑）分析

4.r語言多元copula-garch-模型時間序列預測

5.r語言copulas和金融時間序列案例

6.使用r語言隨機波動模型sv處理時間序列中的隨機波動

7.r語言時間序列tar閾值自迴歸模型

8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類

9.python3用arima模型進行時間序列預測