0. 目录
金融时间序列分析:9. ARMA自回归移动平均模型
金融时间序列分析:8. MA模型实例(Python)
金融时间序列分析:7. MA滑动平均模型
金融时间序列分析:6. AR模型实例
金融时间序列分析:5. AR模型实例(Python)
金融时间序列分析:4. AR自回归模型
金融时间序列分析:3. First Demo By Python
金融时间序列分析:2. 数学分析模型
金融时间序列分析:1. 基础知识
1. 前言
前一篇写了如何用Python构建AR模型,但是由于不太熟悉,很多问题都没有说清楚,本文用R语言详细的讲一讲,算是为前面两篇文章补漏吧。
2. 获取数据
library(quantmod)
library(xts)
library(zoo)
library(quantmod)
library(TTR)
#获取数据
getSymbols("300033.SZ")
View(`300033.SZ`)
3. 数据预处理
THS.Close = `300033.SZ`$`300033.SZ.Adjusted`
THS.Close
dim(THS.Close)
library(fBasics)
pacf(THS.Close, lag.max = 30)
acf(THS.Close, lag.max = 30)
THS.ret = diff(THS.Close)
tail(THS.ret)
log_data = log(THS.Close)
log_ret = diff(log_data)
数据清理:
na.omit(log_ret)
log_ret <- na.omit(log_ret)
dim(log_ret)
basicStats(log_data)
basicStats(log_ret)
4. 数据预览
plot(log_ret)
hist(log_ret, nclass = 200)
5. 定阶
pacf(log_ret, lag.max = 30)
acf(log_ret, lag.max = 30)
Box.test(log_ret, lag = 2, type = 'Ljung-Box')
Box.test(log_ret, lag = 1, type = 'Ljung-Box')
6. AR模型
arx2 = arima(log_ret, order = c(2, 0, 0))
plot(arx2$residuals)
plot(arx2$residuals, log_ret)
上面几个数值的意义:
yt=xt−0.0011
y(t)=0.0829∗y(t−1)+0.0076∗y(t−2)+a(t)
Box.test(arx2$residuals, lag = 2, type = 'Ljung-Box')
tsdiag(arx2)
predict(arx2, 8)
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)