【原創(chuàng)】R語言股票時間序列分析報告代碼

1、【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”就可以了library(quantmod)#library(neuralnet)library(quantmod)library(plyr)library(TTR)library(ggplot2)library(scales)library(tseries)data=read.csv(600119.csv)a=data$收盤價a=diff(a)/a-length(a)aa=NaN=0aa=Inf=0#瀏覽數(shù)據(jù)data,2=data$日期data,4=c(0,a)#繪制時間序列圖# #收集歷史資料，加以整理，編成時間序列，并根據(jù)時間序列繪成統(tǒng)計圖。時

2、間序列分析通常是把各種可能發(fā)生作用的因素進行分類， 傳統(tǒng)的分類方法是按各種因素的特點或影響效果分為四大類：(1)長期趨勢；(2)季節(jié)變動；(3)循環(huán)變動；(4)不規(guī)則變動。data=datanrow(data):1,plot(data,2,data,4)#技術指標lines(data,2,DEMAdata,4),col=green)lines(data,2,SMdata,4),col=red)legend(bottomright,col=c(green,red),legend=c(DEMA,SMA),lty=1pch=1)trend和“random【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”

3、就可以了199801-15200308-072009-02-092014-08-04#從時間序列圖形來看，序列有明顯趨勢，所以該序列一定不是平穩(wěn)序列。因為原序列為非平穩(wěn)序列，所以選擇一階差分繼續(xù)分析birthstimeseries=data,4birthstimeseries-ts(birthstimeseries,frequency=300,start=c(1998,15)birthstimeseries=na.omit(birthstimeseries)#2)Decomposethetimeseriesdataintotrend,seasonalityanderrorcomponents.

4、(10points)#開始分解季節(jié)性時間序列。#一個季節(jié)性時間序列中會包含三部分，趨勢部分、季節(jié)性部分和無規(guī)則部分。分解時間序列就是要把時間序列分解成這三部分，然后進行估計。#對于可以使用相加模型進行描述的時間序列中的趨勢部分和季節(jié)性部分，我們可以使用R中的“decompose。”函數(shù)來估計。這個函數(shù)可以估計出時間序列中趨勢的、季節(jié)性的和不規(guī)則的部分，而此時間序列須是可以用相加模型描述的。#decompose。”這個函數(shù)返回的結果是一個列表對象，里面包含了估計出的季節(jié)性部分，趨勢部分和不規(guī)則部分，他們分別對應的列表對象元素名為“seasonal”goDEMASMA【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶

5、找“大數(shù)據(jù)部落”就可以了decompose(birthstimeseries)DecompositionofadditivetimeseriesDecompositionofadditivetimeseries20002000200520102010Time#要剔除某個趨勢時（我們就去掉季節(jié)因素），我們可以運用減法去掉該因素，下圖就是去掉季節(jié)性因素后的修正序列。birthstimeseriesseasonallyadjusted-birthstimeseries-birthcomponents$seasonalplot(birthstimeseriesseasonallyadjusted)bi

6、rthcomponents0對應的相關系數(shù)均在該區(qū)間內則表示該變量自相性問題不嚴重pacf(birthstimeseriesseasonallyadjusted)oI IK-0ogLLLL0O0對應的相關系數(shù)均在該區(qū)間內則表示該變量自相性問題不嚴重datad=diff(birthstimeseriesseasonallyadjusted)#3)UseHoltsexponentialsmoothingtomakeshort-termforecasts.#指數(shù)平滑法(ExponentialSmoothing,ES)是布朗(RobertG.Brown)所提出,布朗認為時間序列的態(tài)勢具有穩(wěn)定性或規(guī)則性

7、，所以時間序列可被合理地順勢推延；他認為最近的過去態(tài)勢，在某種程度上會持續(xù)到未來，所以將較大的權數(shù)放在最近的資料。#指數(shù)平滑法是生產(chǎn)預測中常用的一種方法。也用于中短期經(jīng)濟發(fā)展趨勢預測，所有預測方法中，指數(shù)#一次指數(shù)平滑法#平滑是用得最多的一種。簡單的全期平均法是對時間數(shù)列的過去數(shù)據(jù)一個不漏地全部加以同等利用；移動平均法則不考慮較遠期的數(shù)據(jù)，并在加權移動平均法中給予近期資料更大的權重；而指數(shù)平滑法則兼容了全期平均和移動平均所長，不舍棄過去的數(shù)據(jù)，但是LLLLouE1-EBdouE1-EBd【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”就可以了僅給予逐漸減弱的影響程度，即隨著數(shù)據(jù)的遠離，賦予逐漸收

8、斂為零的權數(shù)。#也就是說指數(shù)平滑法是在移動平均法基礎上發(fā)展起來的一種時間序列分析預測法，它是通過計算指數(shù)平滑值，配合一定的時間序列預測模型對現(xiàn)象的未來進行預測。其原理是任一期的指數(shù)平滑值都是本期實際觀察值與前一期指數(shù)平滑值的加權平均。#簡單指數(shù)平滑法。簡單指數(shù)平滑適用于可用相加模型描述，并且處于恒定水平和沒有季節(jié)變動的時間序列地短期預測。#簡單指數(shù)平滑法提供了一種方法估計當前時間點上的水平。為了更加準確的估計當前時間的水平，我們使用alpha參數(shù)來控制平滑，alpha的取值在0-1之間。當alpha越接近0,臨近預測的觀測值在預測中的權重就越小。plot(datad)Time#從該圖中可以看出

9、整個曲線處于大致不變的水平，且隨機變動在整個時間序列范圍內也可以認為是大致不變的，所以該序列可以大致被描述為一個相加模型，因此我們可以使用簡單指數(shù)平滑法p進行預測。我們采用R中的HoltWinters()函數(shù)，為了能夠使用HoltWinters中的指數(shù)平滑，我們需要進行參數(shù)設置：beta=FALSE和gamma=FALSE,預測結果如下圖：【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”就可以了#此外我們可以畫出預測值和實際值，看看預測效果：hm=HoltWinters(datad,beta=F,gamma=F)hm#Holt-Wintersexponentialsmoothingwithout

10、trendandwithoutseasonalcomponent.#Call:#HoltWinters(x=datad,beta=F,gamma=F)#Smoothingparameters:#alpha:0.0009575354#beta:FALSE#gamma:FALSE#Coefficients:#,1#a-0.0001333355cat(HoltWinters()告訴我們alpha參數(shù)的估計值約為,hm$alpha,非常接近0,說明該序列比較平穩(wěn)， 默認情況下HoltWInters僅會給出原始時間序列所覆蓋時期內的預測，預測值存在房子名為為fitted的變量中，我們可以通過rainse

11、riesforecasts$fitted來獲取這些值。)#HoltWinters()告訴我們alpha參數(shù)的估計值約為0.0009575354,非常接近0,說明該序列比較平穩(wěn)，默認情況下HoltWInters僅會給出原始時間序列所覆蓋時期內的預測，預測值存在房子名為為fitted的變量中，我們可以通過rainseriesforecasts$fitted來獲取這些值。plot(hm)【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”就可以了Holt-WintersfilteringHolt-Wintersfiltering200020CJ52010Time#從之前的alpha和上圖，可見我們預測的過

12、于平滑，R提供了樣本預測誤差平方和(SSE)來衡量預測效果?？梢酝ㄟ^rainseriesforecasts$SSE來獲取該值。hm$SSE#191.00893#4)FitthedatawithappropriateARIMAModels.z=datad#然后我們繪制自相關圖和偏自相關圖對序列進行進一步的檢測acf(z)p招LLLLw.qow.qo【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”就可以了SeneszSeneszICICIO OLLOooLCLCO O一0.000.020.040.060.C80100.12Lag#從上面的圖中我們可以發(fā)現(xiàn)自相關系數(shù)在滯后一期之后， 很快錄入到置信區(qū)間

13、之內,因此可以認為該序列平穩(wěn)pacf(z)【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”就可以了SerieszSerieszLag# #從偏相關系數(shù)的置信區(qū)間來看，由于相關系數(shù)都在置信區(qū)間之內，因此可以認為該序列平穩(wěn)#Predictivemodel:ARIMAmodelspredict#然后檢測序列的平穩(wěn)性和獨立性，這里我們使用的是Box-LjungtestBox.test(z,lag=10,type=Ljung)#Box-Ljungtest#data:z#X-squared=1128.9,df=10,p-value2.2e-16#由于p值大于0.05,因此我們接受原假設認為該數(shù)列獨立，即原數(shù)

14、列為白噪聲序列#然后我們對序列進行單位根檢測，如果序列不存在單位根，那么該數(shù)列是平穩(wěn)序列adf.test(z)#Warninginadf.test(z):p-valuesmallerthanprintedp-value#AugmentedDickey-FullerTest【原創(chuàng)】附代碼數(shù)據(jù)有問題到淘寶找“大數(shù)據(jù)部落”就可以了#data:z#Dickey-Fuller=-28.804,Lagorder=16,p-value=0.01#alternativehypothesis:stationary#由于p值大于0.05,因此我們接受原假設認為該數(shù)列平穩(wěn)#從上面的自相關圖和偏相關圖，我們可以看到該模型為arima(1,0,0)library(forecast)#Warning:packageforecastwasbuiltunderRversion3.3.3x-arima(z,c(1,0,0)#因此建立模型之后對該序列進行預測r1-pre