时间序列分析命令及公式结论.docVIP

时间序列命令及公式结论 第一章 1.读取数据中的某一列（数据要读出了那列才能做很多分析） Code: Szcz2=Szcz1$price 2.做时间序列的散点图 Code: tsplot(Szcz2) 3.计算收益率 Code: Szcz = getReturns(Szcz2, type=continuous, percentage=T) 4.化对数收益率为简单收益率 Code: ibmsimple=exp(ibmln/100)-1 5.在同一版面画一个a行b列的图 par(mfrow=c(a,b)) 6.在时间序列图中加坐标轴和图标 tsplot(ibmln,xlab=year,ylab=rates,main=log returns) 7.一些基本操作 ①算数据长度：length(　 ) ②算方差：var( 　) ③开方：sqrt(　) ④算偏度：skewness( ) ⑤算峰度：kurtosis( ) ⑥总结：summary( ) ⑦做QQ图：qqplot( ) ⑧做直方图：hist( ) ⑨T检验：t .test( ) ⑩产生1000个均值为0，方差为1的随机数：x=rnorm(1000,0,1) 考：课后习题1 or 2 答案格式仿P16页表格。 习题1①打开数据d.aa9099 aa=d.aa9099$Col1↓mean(aa)↓var(aa) ↓skewness(aa)↓kurtosis(aa)-3↓min(aa) ↓max(aa) ↓②aas=(exp(aa/100)-1)*100↓mean(aas) ↓var(aas) ↓skewness(aas) ↓ kurtosis(aas)-3↓min(aas) ↓max(aas) ↓③t.test(aa) ↓ (↓为回车) 公式结论 （其中R为简单收益率，P为价格） （其中r为对数收益率，R为简单收益率） 第二章 1.自相关检验 Code: autocorTest(vw,lag.n=10, method=lb) 2.计算acf vw.acf=acf(vw) 3.计算pacf vw.pacf=acf(vw,10,partial) 4.构造一个AR（2）模型 Code: fix(ar.2)↓function(n, phi1, phi2)↓{rho = rep(0, n)↓rho[1] = 1↓rho[2] = phi1/(1 - phi2)↓for(i in 3:n) { rho[i] = phi1 * rho[i - 1] + phi2 * rho[i -2] }↓tsplot(rho, type = h, xlab = lag, ylab = acf)↓abline(h = 0)↓return(rho)}—保存 ar.2(20,-.2,0.35)↓ 5.建立一个AR(3)模型 Code: ar.vw=arima.mle(vw,model=list(order=c(3,0,0)),xreg=1) 6.调出模型结果 Code: names(ar.vw)↓ar.vw$sigma2 7.AR预测（6步预测） Code:ar.vw.fcst=arima.forecast(vw5,n=6,model=ar.vw5$model)↓ar.vw.forcast=ar.vw.fcst$mean+ar.vw5$reg.coef 8.建立一个MA（9）模型 Code: ew.ma9=arima.mle(ew,model=list(order=c(0,0,9),ma.opt=c(T,F,T,F,F,F ,F,F,T)),xreg=1) 9.MA预测 Code: ma.mew.fcst1=arima.forecast(mew,n=6,model=mew.ma9$model) ma.mew.fcst=mew.ma9$reg.coef+ma.mew.fcst$mean 10.建立一个ARMA(1,1)模型 Code:ar11.chem=arima.mle(chem.output, model=list(order=c(1,0,1)),xreg=1) 习题做过P76 2、3、5、6、7 后四题答案在课间从P131页开始 公式结论 （其中γL为为L阶自协方差） (为滞后L阶的自相关系数) L-B检验：检验统计量： 检验结果：if p-value is less than 0.05,then monthly value-weighted index have significant serial correlations. P阶自回归模型： AR(1)模型：均值： 方差： 条件： acf