金融数据分析导论.ppt

m1=arima(vw,order=c(3,0,0)) #计算AR(3) m1 vw=read.table(m-ibm3dx2608.txt,header=T)[,3] t1=prod(vw+1) #计算多年后的现值 t1 t1^(12/996)-1 #折算回平均每年的回报 模型检验 vw=read.table(m-ibm3dx2609.txt,header=T)[,3] #载入数据 m3=arima(vw,order=c(3,0,0)) #用AR(3)拟合 m3 (1-.1158+.0187+.1042)*mean(vw) # 计算 phi(0). sqrt(m3$sigma2) # 计算残差的标准误 Box.test(m3$residuals,lag=12,type=Ljung) #假设检验 pv=1-pchisq(16.35,9) # 用自由度9检验p值 pv m3=arima(vw,order=c(3,0,0),fixed=c(NA,0,NA,NA)) m3 (1-.1136+.1063)*.0089 # 计算 phi(0) sqrt(m3$sigma2) # 计算残差的标准误 Box.test(m3$residuals,lag=12,type=Ljung) #假设检验 pv=1-pchisq(16.83,10) # 用自由度10检验p值 pv 知识回顾Knowledge Review 平稳性 在时间序列分析中，计推断的基础是弱平稳性的概念。前面图中给出的标普指数序列，该序列随时间在0值上下变化 事实上，可以把整个时间区间划分为几个子区间。这些子区间的样本均值都应该接近0值 在统计上，这种现象表明收益率的均值不随时间变化。或者简单地说，期望收益率具有时间不变性。而且该图也说明，在样本数据时间跨度内，除了大萧条时期外，月对数收益率的范围大约在区间[-0.2,0.2]。 在统计上，该特征表明对数收益率的方差不随时间变化。 把这两个时间不变性特征结合在一起，我们称对数收益率序列{x_t}为弱平稳的。正式地说，如果一个时间序列的一阶矩和二阶矩，即均值和方差，具有时间不变性，则称它为弱平稳的。 相关系数 Pearson相关系数 Kendall Tau 相关系数 Speaman秩相关系数 相关系数 da=read.table(m-ibmsp6709.txt,header=T) head(da) ibm=da$ibm sp5=da$sp cor(sp5,ibm) #计算pearson相关系数 cor(sp5,ibm,method=‘spearman’) #计算Spearman秩相关系数 cor(sp5,ibm,method=‘kendall’) #计算Kendall tau相关系数 自相关函数 Luo的估计近似服从N(0,1/T) CRSP的第10分位组合月简单收益率 da=read.table(m-dec12910.txt,header=T) #导入数据 head(da) #观察da的头六个数据 d10=da$dec10 #选择变量dec10的所有数据 dec10=ts(d10,frequency=12,start=c(1967,1)) #转换为时间序列的数据，按月为12，按季为4，按年为1 par(mfcol=c(2,1)) #将作图区间分为上下两层 plot(dec10,xlab=year,ylab=returns) #画简单收益率的时序图 title(main=(a): Simple returns) #设置图标题 acf(d10,lag=24) #求样本自相关函数图 CRSP(Center for Research in Security Prices)证券价格研究中心是学术界及金融业最重要的数据库之一 检验单个ACF 对一个给定的正整数k，可用前面的结果来检验 H0：p_k=0 H1: p_k0 检验统计量： 可近似为： January effect 在美国，小市值股票倾向在1月有一个正收益率，这可能由于多种原因：例如税收考虑，或者年终的组合调整。这称为小市值股票的1月效应 一种验证小市值股票1月效应存在性的方法是进行如下假设检验： t比值tt=2.9623691.96，拒绝原假设，1月效应存在 假设检验 da=read.table(m-dec12910.txt,header=T) #导入数据 d10=da$dec10 #选择变量dec10的所有数据 f1=acf(d10,lag=24) #计算24个acf值 f1$acf #显示所有dec10的acf值 tt=f1$acf[13]*sqrt(516) #计算1月的t比值 tt #显示1月的t比值 da=read.table(m-i