金融时间序列的线模型——自回归.doc

金融时间序列的线性模型——自回归R实例 例2.3 > setwd("C:/Users/Mr.Cheng/Desktop/课件/金融数据分析导论基于R/DataSets/ch2data")%设置工作目录 > da=read.table("q-gnp4710.txt",header=T) > head(da) Year Mon Dat VALUE 1 1947 1 1 238.1 2 1947 4 1 241.5 3 1947 7 1 245.6 4 1947 10 1 255.6 5 1948 1 1 261.7 6 1948 4 1 268.7 > G=da$VALUE > LG=log(G) > gnp=diff(LG) > dim(da) [1] 253 4 > tdx=c(1:253)/4+1947 %创建一个时间序列指数，从1947开始，每次增加一个季度，一共253个季度。 > par(mfcol=c(2,1))画两行一列的小图 > plot(tdx,LG,xlab='year',ylab='GNP',type="l > plot(tdx[2:253],gnp,type='l',xlab='year',ylab='growth') > acf(gnp,lag=12)%画滞后12阶的对数增长率的自相关图 > pacf(gnp,lag=12)%画滞后12阶的对数增长率的偏自相关图 > m1=arima(gnp,order=c(3,0,0))%计算AR(3) > m1 Call: arima(x = gnp, order = c(3, 0, 0)) Coefficients: ar1 ar2 ar3 intercept 0.4386 0.2063 -0.1559 0.0163 s.e. 0.0620 0.0666 0.0626 0.0012 sigma^2 estimated as 9.549e-05: log likelihood = 808.56, aic = -1607.12 > tsdiag(m1,gof=12)%模型检验 > p1=c(1,-m1$coef[1:3])%设置多项式方程的系数： 1-0.438z-0.206z2+0.156z3=0 > r1=polyroot(p1)%解多项式方程得到特征根 > r1 [1] 1.616116+0.864212i -1.909216-0.000000i 1.616116-0.864212i > Mod(r1)%计算特征根的模 [1] 1.832674 1.909216 1.832674 > k=2*pi/acos(1.616116/1.832674)%计算周期 > k [1] 12.79523 > mm1=ar(gnp,method='mle')%用AIC准则自动为AR（P）定阶，方法为极大似然估计 > mm1$order%查看阶数 [1] 9 > names(mm1)%得到mm1的名字 [1] "order" "ar" "var.pred" "x.mean" "aic" [6] "n.used" "order.max" "partialacf" "resid" "method" [11] "series" "frequency" "call" "asy.var.coef" > print(mm1$aic,digits = 3)%查看mm1中的aic值，保留三位小数 0 1 2 3 4 5 6 7 8 9 10 11 77.767 11.915 8.792 4.669 6.265 5.950 5.101 4.596 6.541 0.000 0.509 2.504 12 2.057 > aic=mm1$aic > length(aic) [1] 13 > plot(c(0:12),aic,type='h',xlab='order',ylab='aic')%画aic竖线图 > lines(0:12,aic,lty=2)%画aic连线图（虚线） > vw=read.table('m-ibm3dx2608.txt',header=T)[,3]%读取第3列数据 > t1=prod(vw+1)%计算35年后的终值 > t1 [1] 159