『壹』 R語言怎麼把股票日收盤價轉換成對數收益率
知道一系列收盤價向量X,length=1000,求對數收益率的R語言代碼
acf(int[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
log return')
Box.test(int[,2], lag = 5, type = "Ljung-Box")
Box.test(int[,2], lag = 10, type = "Ljung-Box")
Box.test(int.l[,2], lag = 5, type = "Ljung-Box")
Box.test(int.l[,2], lag = 10, type = "Ljung-Box")
運行結錯誤辦
> int <- read.table("d-intc7208.txt", head=T)
錯誤於file(file, "rt") : 打鏈結
外: 警告信息:
In file(file, "rt") :
打文件'd-intc7208.txt': No such file or directory
+ acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
錯誤: 意外符號 in:
"
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int"
> log return')
錯誤: 意外符號 in "log return"
『貳』 R語言中的時間序列分析模型:ARIMA-ARCH / GARCH模型分析股票價格
時間序列分析:R語言中的ARIMA和ARCH / GARCH模型
在金融時間序列分析中,時域方法如ARIMA和ARCH / GARCH模型對於股票價格預測至關重要。這些模型幫助我們理解數據特徵並預測未來值,尤其在非平穩序列處理和波動性分析上。
平穩性與轉換
首先,確保時間序列的平穩性是建模的前提。通過差分或對數轉換將非平穩序列轉換為平穩序列,如蘋果股票價格示例所示,對數價格的差分更利於穩定方差。
ARIMA模型
ARIMA模型(自回歸整合移動平均模型)通過觀察自相關和偏自相關來識別,如在Apple股票的ACF和PACF圖中所示。識別規則包括觀察ACF和PACF的截斷點,例如ARIMA(1,0,0)可能是Log Apple股票的模型。
診斷與AICc
在選擇模型時,使用AICc來權衡模型復雜度與擬合度,如ARIMA(2,1,2)可能是合適的。檢查殘差的ACF和PACF以確認模型的有效性,例如Apple股票的ARIMA模型的殘差顯示為無明顯滯後。
ARCH / GARCH模型
當ARIMA模型的殘差顯示波動性時,引入ARCH / GARCH模型。通過觀察殘差平方和ACF/PACF,判斷是否需要建模序列的條件方差。例如,對於Apple,選擇的ARCH 8模型反映了價格的波動性。
ARIMA-ARCH / GARCH組合
混合模型如ARIMA(2,1,2) - ARCH(8)結合了ARIMA的線性預測和ARCH的波動性分析,能更准確地預測價格變化,如Apple股票在2012年7月的預測。
總結
時域分析在金融時間序列預測中不可或缺,ARIMA和ARCH / GARCH模型組合提供了更精確的預測。理解序列的平穩性,選擇合適的模型,以及利用新信息更新模型,都是有效應用這些模型的關鍵。