原文链接：http://tecdat.cn/?p=25180 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 arima、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。
代码语言：javascript代码运行次数：0运行复制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。
代码语言：javascript代码运行次数：0运行复制df <- ts(df)df
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。
代码语言：javascript代码运行次数：0运行复制library(xts)
考虑我们的可扩展时间序列的以下数据
代码语言：javascript代码运行次数：0运行复制date time 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。
代码语言：javascript代码运行次数：0运行复制df <-data.framedf$daime <-pastedf$dttime <-as.POSIXctdf <- xts
对于仅使用日期的转换，我们使用 POSIXlt() 而不是 POSIXct()。
代码语言：javascript代码运行次数：0运行复制df$date <- as.POSIXctdf$price <-as.numericprice <-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：
代码语言：javascript代码运行次数：0运行复制AR1
以下代码估计了一个 AR(2) 模型：
代码语言：javascript代码运行次数：0运行复制AR2 <- arimaAR2
以下代码估计一个 MA(1) 模型：
代码语言：javascript代码运行次数：0运行复制MA1 <- arimaMA1
以下代码估计一个 MA(2) 模型：
代码语言：javascript代码运行次数：0运行复制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。
代码语言：javascript代码运行次数：0运行复制coef #得到系数
以下代码显示了残差图。
代码语言：javascript代码运行次数：0运行复制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。
代码语言：javascript代码运行次数：0运行复制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：
代码语言：javascript代码运行次数：0运行复制teFoast <-predict
下面显示了预测图。
代码语言：javascript代码运行次数：0运行复制plot.ts#可视化预测
要估计 ARCH 和 GARCH 模型，我们需要安装garch。
我们将在生成随机数时使用 ARMA(1,1) 估计 GARCH(1,1)
代码语言：javascript代码运行次数：0运行复制a <- runif #随机数Spec <-ugarchspec
为了获得 GARCH 模型的具体结果，我们使用以下代码：
代码语言：javascript代码运行次数：0运行复制coffnt <-coefvoy <- sigmaVAR模型
以下数据将用于估计 VAR 模型。
以下代码估计 VAR(2) 模型。
代码语言：javascript代码运行次数：0运行复制abr<-VAR #运行 VAR(2)coef #VAR的系数公式
summary #VAR的摘要
生成系数图
以下代码为 VAR 模型生成系数图：
代码语言：javascript代码运行次数：0运行复制plot
