r语言外汇数据进行arima指数平滑时间序列分析.docx

对外汇数据进行时间序列分析 时间序列存在于社会的经济、医学等很多领域，其中时间序列的趋势分析是一个具有重要现实意义的研究领域，因为人们掌握事物的发展趋势(内在规律)，就能利用这些规律制定相应的决策。传统对时间序列的分析多从系统的角度出发，而本文对时间序列的分析是从数据挖掘的角度出发。 外汇汇率时间序列，往往含有较多的干扰因素，因此必须对原始数据进行平滑处理，尽可能的除去附加的干扰因素。为了能够对时间序列进行数据挖掘，必须从时间序列数据中抽取决定时间序列行为发展趋势的静态属性。 数据选取 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 Download the exchange rate of your desired currency pairs for at least two years from the website: http://fx.sauder.ubc.ca/data.html, and read the data into R. （5 points） 浏览数据 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 ... 576 2457864 2017/04/20 Thu 0.77942 577 2457865 2017/04/21 Fri 0.78233 578 2457868 2017/04/24 Mon 0.78227 579 2457869 2017/04/25 Tue 0.77907 580 2457870 2017/04/26 Wed 0.77896 581 2457871 2017/04/27 Thu 0.77587 582 2457872 2017/04/28 Fri 0.77299 583 2457875 2017/05/01 Mon 0.77420 584 2457876 2017/05/02 Tue 0.77392 585 2457877 2017/05/03 Wed 0.77476 586 2457878 2017/05/04 Thu 0.77456 587 2457879 2017/05/05 Fri 0.77177 588 2457882 2017/05/08 Mon 0.77263 589 2457883 2017/05/09 Tue 0.77337 590 2457884 2017/05/10 Wed 0.77278 591 2457885 2017/05/11 Thu 0.77656 592 2457886 2017/05/12 Fri 0.77651 593 2457889 2017/05/15 Mon 0.77479 594 2457890 2017/05/16 Tue 0.77466 595 2457891 2017/05/17 Wed 0.77186 596 2457892 2017/05/18 Thu 0.76994 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 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。 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。 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 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 Decompose the time series data into trend, seasonality and error compon ents. （10 points） 开始分解季节性时间序列。 一个季节性时