原文链接：http://tecdat.cn/?p=25180
工夫序列剖析
对于工夫序列剖析，有两种数据格式：ts（工夫序列）和 xts（可扩大工夫序列）。前者不须要工夫戳，能够间接从向量转换。后者非常重视日期和工夫，因而只能应用日期和 / 或工夫列来定义。咱们涵盖了根本的工夫序列模型，即 ARMA、GARCH 和 VAR。
工夫序列数据
函数 ts 将任何向量转换为工夫序列数据。
price
咱们首先为预计定义一个工夫序列（ts）对象。请留神，ts 与 xts 相似，但没有日期和工夫。
df <- ts(df)
df
可扩大的工夫序列数据 xts
要解决高频数据（分秒），咱们须要包 xts。该包定义可扩大工夫序列 (xts ) 对象。
以下代码装置并加载 xts 包。
library(xts)思考咱们的可扩大工夫序列的以下数据
date
time
price当初咱们筹备定义 xts 对象。代码 as.POSIXct() 将字符串转换为带有分钟和秒的日期格局。
df <-data.frame
df$daime <-paste
df$dttime <-as.POSIXct
df <- xts对于仅应用日期的转换，咱们应用 POSIXlt() 而不是 POSIXct()。
df$date <- as.POSIXct
df$price <-as.numeric
price <-xts自回归挪动均匀模型 arima
能够应用 arima() 函数预计自回归挪动均匀模型。
以下代码预计了一个 AR(1) 模型：
AR1
以下代码预计了一个 AR(2) 模型：
AR2 <- arima
AR2
以下代码预计一个 MA(1) 模型：
MA1 <- arima
MA1
以下代码预计一个 MA(2) 模型：
MA2 <- arima
以下代码预计了一个 ARMA(1,1) 模型：
ARMA11 <- arima
有时，咱们只想保留系数。
coef #失去系数
以下代码显示了残差图。
plot
R 有一个不便的函数来 autofit() 拟合 ARIMA 模型的参数。
当初寻找最好的 ARIMA 模型了。
autoarma
工夫序列模型的一项重要性能是预测。以下代码给出了两步的预测：
teFoast <-predict上面显示了预测图。
plot.ts# 可视化预测
ARCH 和 GARCH 模型
要预计 ARCH 和 GARCH 模型，咱们须要装置和加载包 rugarch。
咱们将在生成随机数时应用 ARMA(1,1) 预计 GARCH(1,1)
a <- runif #随机数
Spec <-ugarchspec
为了取得 GARCH 模型的具体后果，咱们应用以下代码：
coffnt <-coef
voy <- sigma
logr.vrae <- uncvarianceVAR 模型
以下数据将用于预计 VAR 模型。
要预计 VAR 模型，咱们须要装置和加载 vars。
以下代码预计 VAR(2) 模型。
abr<-VAR #运行 VAR(2)
coef #VAR 的系数公式
summary #VAR 的摘要
要生成系数图，咱们须要装置并加载包：
以下代码为 VAR 模型生成系数图：
plot
最受欢迎的见解
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3. 应用 r 语言进行工夫序列（arima，指数平滑）剖析
4.r 语言多元 copula-garch- 模型工夫序列预测
5.r 语言 copulas 和金融工夫序列案例
6. 应用 r 语言随机稳定模型 sv 解决工夫序列中的随机稳定
7.r 语言工夫序列 tar 阈值自回归模型
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9.python3 用 arima 模型进行工夫序列预测