R語言arima模型時(shí)間序列分析報(bào)告(附代碼數(shù)據(jù))

R語言arima模型時(shí)間序列分析報(bào)告library(openxlsx)data=read.xlsx("hs300.xlsx")timeseries=data$`收盤價(jià)(元)`date=data$日期date=as.Date(as.numeric(date),origin="1899-12-30")#1998-07-05#繪制時(shí)間序列圖plot(date,timeseries)timeseriesdiff<-diff(timeseries,differences=1)plot(date[-1],timeseriesdiff)#時(shí)間序列分析之ARIMA模型預(yù)測#我們可以通過鍵入下面的代碼來得到時(shí)間序列（數(shù)據(jù)存于“timeseries”）的一階差分，并畫出差分序列的圖:#時(shí)間序列分析之ARIMA模型預(yù)測#從一階差分的圖中可以看出，數(shù)據(jù)仍是不平穩(wěn)的。我們繼續(xù)差分。#時(shí)間序列分析之ARIMA模型預(yù)測#二次差分（上面）后的時(shí)間序列在均值和方差上確實(shí)看起來像是平穩(wěn)的，隨著時(shí)間推移，時(shí)間序列的水平和方差大致保持不變。因此，看起來我們需要對data進(jìn)行兩次差分以得到平穩(wěn)序列。#第二步，找到合適的ARIMA模型#如果你的時(shí)間序列是平穩(wěn)的，或者你通過做n次差分轉(zhuǎn)化為一個(gè)平穩(wěn)時(shí)間序列，接下來就是要選擇合適的ARIMA模型，這意味著需要尋找ARIMA(p,d,q)中合適的p值和q值。為了得到這些，通常需要檢查[平穩(wěn)時(shí)間序列的（自）相關(guān)圖和偏相關(guān)圖。#我們使用R中的“acf()”和“pacf”函數(shù)來分別（自）相關(guān)圖和偏相關(guān)圖。“acf()”和“pacf設(shè)定“plot=FALSE”來得到自相關(guān)和偏相關(guān)的真實(shí)值。acf(na.omit(timeseriesdiff2),lag.max=20)#時(shí)間序列分析之ARIMA模型預(yù)測#自相關(guān)圖顯示滯后1階自相關(guān)值基本沒有超過邊界值，雖然6階自相關(guān)值超出邊界，那么很可能屬于偶然出現(xiàn)的，而自相關(guān)值在其他上都沒有超出顯著邊界，而且我們可以期望1到20之間的會偶爾超出95%的置信邊界。pacf(na.omit(timeseriesdiff2),lag.max=20)#偏自相關(guān)值選5階。#故我們的ARMIA模型為armia（1,2,5）servearima<-arima(timeseries,order=c(5,2,5))servearima#偏自相關(guān)值選5階。####Call:##arima(x=timeseries,order=c(5,2,5))####Coefficients:##Warninginsqrt(diag(x$var.coef)):產(chǎn)生了NaNs##ar1ar2ar3ar4ar5ma1ma2ma3##-0.8663-0.6281-0.57140.04990.0582-0.0862-0.2969-0.0206##s.e.NaNNaNNaNNaNNaNNaN0.1400NaN##ma4ma5##-0.5481-0.0482##s.e.0.1311NaN####sigma^2estimatedas2672:loglikelihood=-20640.51,aic=41303.02library("forecast")#對滬深300指數(shù)在2017年12月4日至2017年12月31日之間的每日收盤價(jià)進(jìn)行預(yù)測#時(shí)間序列分析之ARIMA模型預(yù)測#上圖預(yù)測中的時(shí)間曲線圖顯示出對著時(shí)間增加，方差大致為常數(shù)（大致不變）（盡管上半部分的時(shí)間序#列方差看起來稍微高一些）。時(shí)間