R语言arima模型时间序列分析报告(附代码数据).docxVIP

R语言arima模型时间序列分析报告

library(openxlsx)

data=read.xlsx(hs300.xlsx)

timeseries=data$`收盘价(元)`

date=data$日期

date=as.Date(as.numeric(date),origin=1899-12-30)#1998-07-05

#绘制时间序列图

plot(date,timeseries)

timeseriesdiff-diff(timeseries,differences=1)

plot(date[-1],timeseriesdiff)

#时间序列分析之ARIMA模型预测#我们可以通过键入下面的代码来得到时间序列（数据存于“timeseries”）的一阶差分，并画出差分序列的图:

#时间序列分析之ARIMA模型预测#从一阶差分的图中可以看出，数据仍是不平稳的。我们继续差分。

#时间序列分析之ARIMA模型预测#二次差分（上面）后的时间序列在均值和方差上确实看起来像是平稳的，随着时间推移，时间序列的水平和方差大致保持不变。因此，看起来我们需要对data进行两次差分以得到平稳序列。#第二步，找到合适的ARIMA模型#如果你的时间序列是平稳的，或者你通过做n次差分转化为一个平稳时间序列，接下来就是要选择合适的ARIMA模型，这意味着需要寻找ARIMA(p,d,q)中合适的p值和q值。为了得到这些，通常需要检查[平稳时间序列的（自）相关图和偏相关图。#我们使用R中的“acf()”和“pacf”函数来分别（自）相关图和偏相关图。“acf()”和“pacf设定“plot=FALSE”来得到自相关和偏相关的真实值。

acf(na.omit(timeseriesdiff2),lag.max=20)

#时间序列分析之ARIMA模型预测

#自相关图显示滞后1阶自相关值基本没有超过边界值，虽然6阶自相关值超出边界，那么很可能属于偶然出现的，而自相关值在其他上都没有超出显著边界，而且我们可以期望1到20之间的会偶尔超出95%的置信边界。

pacf(na.omit(timeseriesdiff2),lag.max=20)

#偏自相关值选5阶。#故我们的ARMIA模型为armia（1,2,5）

servearima-arima(timeseries,order=c(5,2,5))

servearima

#偏自相关值选5阶。

##

##Call:

##arima(x=timeseries,order=c(5,2,5))

##

##Coefficients:

##Warninginsqrt(diag(x$var.coef)):产生了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=41303.02

library(forecast)

#对沪深300指数在2017年12月4日至2017年12月31日之间的每日收盘价进行预测

#时间序列分析之ARIMA模型预测#上图预测中的时间曲线图显示出对着时间增加，方差大致为常数（大致不变）（尽管上半部分的时间序#列方差看起来稍微高一些）。时间序列的直方图显示预测误大致是正态分布的且平均值接近于0（服从零均值的正态分布的）。因此，把预测误差看作平均值为0方差为常数正态分布（服从零均值、方差不变的正态分布）是合理的。