金融时间序列分析：6. AR模型实例（R语言）

0. 目录

金融时间序列分析：9. ARMA自回归移动平均模型
金融时间序列分析：8. MA模型实例（Python）
金融时间序列分析：7. MA滑动平均模型
金融时间序列分析：6. AR模型实例
金融时间序列分析：5. AR模型实例（Python）
金融时间序列分析：4. AR自回归模型
金融时间序列分析：3. First Demo By Python
金融时间序列分析：2. 数学分析模型
金融时间序列分析：1. 基础知识

1. 前言

前一篇写了如何用Python构建AR模型，但是由于不太熟悉，很多问题都没有说清楚，本文用R语言详细的讲一讲，算是为前面两篇文章补漏吧。

2. 获取数据

library(quantmod)
library(xts)
library(zoo)
library(quantmod)
library(TTR)

#获取数据
getSymbols("300033.SZ")

View(`300033.SZ`)

3. 数据预处理

THS.Close = `300033.SZ`$`300033.SZ.Adjusted`
THS.Close
dim(THS.Close)
library(fBasics)

pacf(THS.Close, lag.max = 30)
acf(THS.Close, lag.max = 30)

THS.ret = diff(THS.Close)
tail(THS.ret)

log_data = log(THS.Close)
log_ret = diff(log_data)

数据清理：

na.omit(log_ret)
log_ret <- na.omit(log_ret)
dim(log_ret)
basicStats(log_data)
basicStats(log_ret)

4. 数据预览

 plot(log_ret)
hist(log_ret, nclass = 200)

5. 定阶

pacf(log_ret, lag.max = 30)
acf(log_ret, lag.max = 30)
Box.test(log_ret, lag = 2, type = 'Ljung-Box')
Box.test(log_ret, lag = 1, type = 'Ljung-Box')

6. AR模型

arx2 = arima(log_ret, order = c(2, 0, 0))
plot(arx2$residuals)
plot(arx2$residuals, log_ret)

上面几个数值的意义：
yt=xt−0.0011 $y_t = x_t - 0.0011$
y(t)=0.0829∗y(t−1)+0.0076∗y(t−2)+a(t) $y(t) = 0.0829*y(t-1) + 0.0076*y(t-2) + a(t)$

Box.test(arx2$residuals, lag = 2, type = 'Ljung-Box')

tsdiag(arx2)

predict(arx2, 8)