R语言对外汇数据进行时间序列分析.docxVIP

【原创】附代码数据有问题到淘宝找“大数据部落”就可以了 【原创】附代码数据 有问题到淘宝找“大数据部落”就可以了 对外汇数据进行时间序列分析 对外汇数据进行时间序列分析 ## 首先我们从网站 http://fx.sauder.ubc.ca/data.html ## 下载 CAD 和 USD 需货币对的两年汇率，并将数据读入R ## 1)Download the exchange rate of your desired currency pairs for at l east two years from the website: http://fx.sauder.ubc.ca/data.html, and read the data into R. （5 points） library(tseries) data=read.table(data.txt,header=T,skip=1) ##浏览数据 ##绘制时间序列图 ## 收集历史资料，加以整理，编成时间序列，并根据时间序列绘成统计图。时间序列分 析通常是把各种可能发生作用的因素进行分类，传统的分类方法是按各种因素的特点或影响效果分为四大类：(1)长期趋势；(2)季节变动；(3)循环变动；(4)不规则变动。 plot(data[,2],data[,4]) data ## Jul.Day YYYY.MM.DD Wdy GBP.USD ## 1 2457025 2015/01/02 Fri 0.65101 ## 2 2457028 2015/01/05 Mon 0.65644 ## 3 2457029 2015/01/06 Tue 0.65896 ## 4 2457030 2015/01/07 Wed 0.66344 ## 5 2457031 2015/01/08 Thu 0.66151 .. ## 597 2457893 2017/05/19 Fri 0.76776 ## 598 2457897 2017/05/23 Tue 0.77037 ## 599 2457898 2017/05/24 Wed 0.77232 ## 600 2457899 2017/05/25 Thu 0.77218 ## 601 2457900 2017/05/26 Fri 0.78092 ## ## 从时间序列图形来看，序列有明显趋势，所以该序列一定不是平稳序列。因为原序列 为非平稳序列，所以选择一阶差分继续分析 birthstimeseries=data[,4] birthstimeseries -ts(birthstimeseries, frequency=300, start=c(2015,1)) ## 2)Decompose the time series data into trend, seasonality and error c omponents. （10 points） ## 开始分解季节性时间序列。## ## 一个季节性时间序列中会包含三部分，趋势部分、季节性部分和无规则部分。分解时间序列就是要把时间序列分解成这三部分，然后进行估计。 ## ## 对于可以使用相加模型进行描述的时间序列中的趋势部分和季节性部分，我们可以使用 R 中的“decompose()” 函数来估计。这个函数可以估计出时间序列中趋势的、季节性的和不规则的部分，而此时间序列须是可以用相加模型描述的。 ## “decompose()” 这个函数返回的结果是一个列表对象， 里面包含了估计出的季节性部分， 趋势部分和不规则部分， 他们分别对应的列表对象元素名为“seasonal” 、 “t rend” 、 和“random” 。 birthcomponents -decompose(birthstimeseries) plot(birthcomponents) ## ## 要剔除某个趋势时（我们就去掉季节因素），我们可以运用减法去掉该因素，下图就 是去掉季节性因素后的修正序列。 birthstimeseriesseasonallyadjusted-birthstimeseries-birthcomponents$se asonal plot (birthstimeseriesseasonallyadjusted) acf acf (birthstimeseriesseasonallyadjusted) ##看图中的横轴 ##看图中的横轴 lag 表示滞后阶数，纵轴表示对应各阶的相关系数，0 阶滞后表示对自己 的自相关系数，所以一般对应的相关系数值为1，再看图中上下的蓝色虚线内为 95%置信区间，若 lag0 对应的相关系数均在该区间内则表示该变量自相性问题不严重 pacf(birthstimeser