原文链接：http://tecdat.cn/?p=25180 

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 ARIMA、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。

plot

点击标题查阅往期内容

Python中TensorFlow的长短期记忆神经网络(LSTM)、指数移动平均法预测股票市场和可视化

01

02

03

04

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

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garch。

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

VAR模型

以下数据将用于估计 VAR 模型。

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

生成系数图

以下代码为 VAR 模型生成系数图：

plot