标签：xts df 模型 ts ARIMA VAR 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

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

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

以下代码估计了一个 AR(2) 模型：

1.   AR2 <- arima
2.   AR2

以下代码估计一个 MA(1) 模型：

1.   MA1 <- arima
2.   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

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

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

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

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

标签：xts,df,模型,ts,ARIMA,VAR,时间,序列
来源： https://www.cnblogs.com/tecdat/p/15864502.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。