R语言arima模型时间序列分析报告(附代码数据).pdfVIP

【原创】定制撰写数据分析可视化项目案例调研报告 （附代码数据） 有问题到淘宝找“大数据部落”就可以了 R语言arima模型时间序列分析报告 library(openxlsx) data=read.xlsx(hs300.xlsx) timeseries=data$`收盘价(元)` date=data$日期 date=as.Date(as.numeric(date), origi =1899-12-30)# 1998-07-05 #绘制时间序列图 plot(date,timeseries) timeseriesdiff-diff(timeseries,differences=1) plot(date[-1],timeseriesdiff) 【原创】定制撰写数据分析可视化项目案例调研报 （附代码数据） 有问题到淘宝找“大数据部落”就可以了 时间序列分析之 模型预测 我们可以通过键入下面的代码来得到时间序列（数据存于 ） # ARIMA # “timeseries” 的一阶差分，并画出差分序列的图: # 时间序列分析之ARIMA模型预测 从一阶差分的图中可以看出，数据仍是不平稳的。我们继续差分。# 【原创】定制撰写数据分析可视化项目案例调研报告 （附代码数据） 有问题到淘宝找“大数据部落”就可以了 # 时间序列分析之ARIMA模型预测 二次差分（上面）后的时间序列在均值和方差上确实看起来像是平稳# 的，随着时间推移，时间序列的水平和方差大致保持不变。因此，看起来我们需要对 进行两次差分 data 以得到平稳序列。第二步，找到合适的# ARIMA模型 如果你的时间序列是平稳的，或者你通过做 次差# n 分转化为一个平稳时间序列，接下来就是要选择合适的ARIMA模型，这意味着需要寻找ARIMA(p,d,q)中 合适的 值和 值。为了得到这些，通常需要检查平稳时间序列的（自）相关图和偏相关图。我们使p q [ # 用 中的 和 函数来分别（自）相关图和偏相关图。 和 设定 来 R “acf()” “pacf” “acf()” “pacf “plot=FALSE” 得到自相关和偏相关的真实值。 acf(na.omit(timeseriesdiff2),lag.max=20) # 时间序列分析之ARIMA模型预测 # 自相关图显示滞后 阶自相关值基本没有超过边界值，虽然阶自相关值超出边界，那么很可能属于偶1 6 然出现的，而自相关值在其他上都没有超出显著边界，而且我们可以期望 到 之间的会偶尔超出 1 20 95% 的置信边界。 pacf(na.omit(timeseriesdiff2),lag.max=20) 偏自相关值选 阶。 故我们的 模型为 （ ） # 5 # ARMIA armia 1,2,5 servearima-arima(timeseries,order=c(5,2,5)) servearima