CSI300 ARIMA模型走势分析源程序

最新推荐文章于 2022-08-22 00:35:06 发布
最新推荐文章于 2022-08-22 00:35:06 发布
阅读量2.4k 收藏 4
点赞数
分类专栏： R语言 文章标签： R语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/ronghuilin/article/details/68926204
版权


library(timeDate)

library(fUnitRoots)

library(xlsx)

library(rJava)

library(xlsxjars)

library(forecast)

library(zoo)

 

##建立样本空间

dfile1="D:/programsdata/2013CSI.xlsx"        #2013年CSI数据

dset1=read.xlsx(dfile1,1) 

dim(dset1)

#[1] 238   7

head(dset1)

tail(dset1)

dfile2="D:/programsdata/2014CSI.xlsx"        #2014年CSI数据

dset2=read.xlsx(dfile2,1)

dim(dset2)

#[1] 245   7

head(dset2)

tail(dset2)

dfile3="D:/programsdata/2015CSI.xlsx"        #2015年CSI数据

dset3=read.xlsx(dfile3,1)

dim(dset3)

#[1] 244   7

head(dset3)

tail(dset3)

dv1=dset1[4,drop=F]

dv2=dset2[4,drop=F]

dv3=dset3[4,drop=F]

colnames(dv1)=c("close") #注意不是rownames()，简单的地方不思考容易出错

colnames(dv2)=c("close")  #colnames()不能用dset1[,4]作为参数

colnames(dv3)=c("close")

dset=rbind(dv1,dv2,dv3)

##CSI数据序列的平稳性和自相关性

adfTest(dset[,1])  #adfTset()不能以数据框为参数

##Title:

## Augmented Dickey-Fuller Test

##Test Results:

##  PARAMETER:

##    Lag Order: 1

##  STATISTIC:

##    Dickey-Fuller: 0.3182

##  P VALUE:  #有单位根

##    0.7178  

dts=ts(dset,frequency=244,start=c(2013,1,9))  #建立CSI2013~2015数据时间序列

plot(dts)   #plot图判断时间序列的单位根，平稳性

 #plot图有时间趋势

diffdset=diff(dset[,1])    #一次差分序列。diff()不能以数据框为参数

head(diffdset)

[1]  11.576 -10.655   0.796   4.443 -47.339  94.495

length(diffdset)

[1] 726

diffdts=ts(diffdset,frequency=243,start=c(2013,1,7))

plot(diffdts)

#一次差分序列的plot图是平稳时间序列，则可不必再求二次差分序列。

#从图上可知2015年波动性较大，

#则建立模型，将导致2015数据的不确定差较大。

data1=diffdts[1:718]       #模型数据时间序列data1，

data2=diffdts[719:726]     #预测数据时间序列data2，8个样本

y=data1

acf(y,lag=100)          #平稳时间序列自相关性，时间间隔100

#自相关图有明显的拖尾性，最终达到收敛。

#因此，截尾的阶不易确定。

#应在lag.time=20的范围内更清晰确定阶。

pacf(y,lag=100)         #平稳时间序列偏自相关性

#不具有明显的截尾性

#判断偏自相关性的阶，方法一：根据值的突然变动

#1.最大的值突然变到比较小

#2.异常值突然到两条界限内，而且连续在界限内

#方法二：用ar()函数确定p的阶，可印证偏自相关图判定的正确性


#ARIMA模型定阶 ，时间间隔20

acf(y,lag=20)           #q=2,4,8

不具有明显的截尾性，q=2,4,8

pacf(y,lag=20)          #p=2,4,11


 p=2,4。若认为lag.time=11有截尾性，则p=11。

m=ar(y,method=’mle’)   #q=11

m$order

#[1] 11

##建立ARIMA模型

m1=arima(y,order=c(2,1,2))   #建立arima模型  p=(2,4,11),q=(2,4,8)

m1

##Call:

##arima(x = y, order = c(2, 1, 2))

##Coefficients:

##         ar1      ar2      ma1      ma2

##      0.1101  -0.1630  -0.9742  -0.0257

## s.e.  0.1336   0.0399   0.1348   0.1322

##sigma^2 estimated as 3946:  log likelihood = -3989.18,  aic = 7988.36

Box.test(m1$residuals,lag=12,type=’Ljung’)

##Box-Ljung test

 

##data:  m1$residuals

##X-squared = 51.446, df = 12, p-value = 7.771e-07 #拒绝无相关性的假设

#因此arima(2,1,2)模型拟合不充分，不可作为CSI数据的参数估计模型。

pv=1-pchisq(51.446,8)

pv #模型调整的判断

##[1] 2.152848e-08   #p值减少，可进行模型调整

m2=arima(y,order=c(2,1,2),fixed=c(NA,NA,NA,0))  #将接近0的参数置为0

m2

##Call:

##arima(x = y, order = c(2, 1, 2), fixed = c(NA, NA, NA, 0)) #没有横截踞

##Coefficients:

##         ar1     ar2     ma1  ma2

##      0.1350  -0.1657  -1.0000    0

## s.e.  0.0369   0.0369   0.0376    0

Box.test(m2$residuals,lag=12,type='Ljung')

##     Box-Ljung test

##data:  m2$residuals

##X-squared = 51.635, df = 12, p-value = 7.195e-07  #拒绝没有相关性的假设

#调整的arima(2,1,2)模型拟合不充分，有模型信息没有提取。

m3=arima(y,order=c(4,1,11))  #提高模型阶数

m3

##Call:

##arima(x = y, order = c(4, 1, 11))

##Coefficients:

##    ar1      ar2      ar3      ar4     ma1     ma2    ma3     ma4

##   -0.9138   -1.7860  -0.8697  -0.9086  0.0619  0.8079  -0.8501  -0.0261

##s.e. 0.0387   0.0336   0.0353   0.0270  0.0545  0.0463  0.0524   0.0679

##    ma5      ma6     ma7     ma8      ma9     ma10     ma11

##    -0.8535  -0.0615  0.0652  0.0026  -0.0063  -0.0989  -0.0409

##s.e.  0.0644   0.0669  0.0646  0.0581   0.0505   0.0488   0.0442

##sigma^2 estimated as 3546:  log likelihood = -3952.54,  aic = 7937.09

Box.test(m3$residuals,lag=20,type='Ljung')

##        Box-Ljung test

##data:  m3$residuals

##X-squared = 14.135, df = 20, p-value = 0.8236  #没有明显的自相关性

pv=1-pchisq(14.135,6)  #模型可调整

pv

##[1] 0.02816396

m4=arima(y,order=c(4,1,11),fixed=c(NA,NA,NA,NA,0,NA,NA,0,NA,0,0,0,0,0,0))

m4

##Call:

##arima(x = y, order = c(4, 1, 11), fixed = c(NA, NA, NA, NA, 0, NA, NA, 0, NA,

    0, 0, 0, 0, 0, 0))

##Coefficients:

##   ar1      ar2     ar3     ar4      ma1  ma2   ma3   ma4   ma5

##   -0.9391  -1.8037  -0.8948  -0.8963   0  0.7605  -0.9170   0  -0.8604

##s.e. 0.0209  0.0280   0.0274   0.0245   0  0.0335  0.0212   0   0.0336

##    ma6  ma7  ma8  ma9  ma10  ma11

##     0    0    0    0     0     0

##s.e.  0    0    0    0     0     0

##sigma^2 estimated as 3596:  log likelihood = -3958.99,  aic = 7933.97

Box.test(m4$residuals,lag=20,type='Ljung')

##        Box-Ljung test

##data:  m4$residuals

##X-squared = 25.748, df = 20, p-value = 0.1743  #没有明显的自相关性


##模型诊断

tsdiag(m4)

#m4模型的不确定差在2015年仍有模型有效信息，不确定差有少量异常值，LB检验的p值没有通过。m4模型的数据拟合优度有可提高的空间。

m5=arima(y,order=c(8,1,11))

##Warning messages:

##1: In log(s2) : 产生了NaNs

##2: In arima(y, order = c(8, 1, 11)) : 可能遇到了收斂问题：optim信息code=1

m5

##Call:

##arima(x = y, order = c(8, 1, 11))

##Coefficients:

##      ar1      ar2     ar3     ar4     ar5      ar6      ar7      ar8

##     -0.9313  -0.7688  0.2210  0.1188  0.1511  -0.7685  -0.8126  -0.8491

##s.e.   0.0377   0.0489  0.0523  0.0592  0.0573   0.0508   0.0460   0.0300

##      ma1    ma2     ma3   ma4     ma5    ma6    ma7     ma8

##     0.0875  -0.2444  -1.0612  0.1097  0.1048  0.8558  0.0316  0.0744

##s.e.  0.0589   0.0569   0.0701  0.0734  0.0904  0.0740  0.0761  0.0783

##      ma9     ma10     ma11

##     -0.8179  -0.0586  -0.0803

##s.e.   0.0521   0.0489   0.0462

##sigma^2 estimated as 3433:  log likelihood = -3944.77,  aic = 7929.53

m6=arima(y,order=c(8,1,11),fixed=c(NA,NA,NA,NA,NA,NA,NA,NA,0,NA,NA,NA,NA,NA,0,0,NA,0,0))

m6

##Call:

##arima(x = y, order = c(8, 1, 11), fixed = c(NA, NA, NA, NA, NA, NA, NA, NA,

##    0, NA, NA, NA, NA, NA, 0, 0, NA, 0, 0))

##Coefficients:

##      ar1      ar2     ar3     ar4     ar5      ar6      ar7      ar8

##     -0.902  -0.7271  0.2437  0.1441  0.1826  -0.7555  -0.8141  -0.8510

##s.e.   0.024   0.0330  0.0358  0.0333  0.0288   0.0267   0.0282   0.0245

##   ma1    ma2   ma3    ma4     ma5  ma6  ma7  ma8  ma9  ma10

##   0  -0.3163  -1.0274  0.1851  0.1431  0.8646  0  0  -0.8527   0

##s.e. 0  0.0153   0.0238  0.0272  0.0270  0.0235  0  0   0.0258   0

##      ma11

##       0

##s.e.    0

##sigma^2 estimated as 3457:  log likelihood = -3948.05,  aic = 7926.09

Box.test(m4$residuals,lag=26,type='Ljung')

##        Box-Ljung test

##data:  m4$residuals

##X-squared = 22.414, df = 26, p-value = 0.6659

tsdiag(m6)

#arima(8,1,11)调整模型有效。

#不确定差没有自相关性

#LB检验的p值在有效范围内

#m4模型的不确定差在2015年仍有模型有效信息，不确定差有少量异常值，LB检验的p值没有通过。m4模型的数据拟合优度有可提高的空间。

m5=arima(y,order=c(8,1,11))

##Warning messages:

##1: In log(s2) : 产生了NaNs

##2: In arima(y, order = c(8, 1, 11)) : 可能遇到了收斂问题：optim信息code=1

m5

##Call:

##arima(x = y, order = c(8, 1, 11))

##Coefficients:

##      ar1      ar2     ar3     ar4     ar5      ar6      ar7      ar8

##     -0.9313  -0.7688  0.2210  0.1188  0.1511  -0.7685  -0.8126  -0.8491

##s.e.   0.0377   0.0489  0.0523  0.0592  0.0573   0.0508   0.0460   0.0300

##      ma1    ma2     ma3   ma4     ma5    ma6    ma7     ma8

##     0.0875  -0.2444  -1.0612  0.1097  0.1048  0.8558  0.0316  0.0744

##s.e.  0.0589   0.0569   0.0701  0.0734  0.0904  0.0740  0.0761  0.0783

##      ma9     ma10     ma11

##     -0.8179  -0.0586  -0.0803

##s.e.   0.0521   0.0489   0.0462

##sigma^2 estimated as 3433:  log likelihood = -3944.77,  aic = 7929.53

m6=arima(y,order=c(8,1,11),fixed=c(NA,NA,NA,NA,NA,NA,NA,NA,0,NA,NA,NA,NA,NA,0,0,NA,0,0))

m6

##Call:

##arima(x = y, order = c(8, 1, 11), fixed = c(NA, NA, NA, NA, NA, NA, NA, NA,

##    0, NA, NA, NA, NA, NA, 0, 0, NA, 0, 0))

##Coefficients:

##      ar1      ar2     ar3     ar4     ar5      ar6      ar7      ar8

##     -0.902  -0.7271  0.2437  0.1441  0.1826  -0.7555  -0.8141  -0.8510

##s.e.   0.024   0.0330  0.0358  0.0333  0.0288   0.0267   0.0282   0.0245

##   ma1    ma2   ma3    ma4     ma5  ma6  ma7  ma8  ma9  ma10

##   0  -0.3163  -1.0274  0.1851  0.1431  0.8646  0  0  -0.8527   0

##s.e. 0  0.0153   0.0238  0.0272  0.0270  0.0235  0  0   0.0258   0

##      ma11

##       0

##s.e.    0

##sigma^2 estimated as 3457:  log likelihood = -3948.05,  aic = 7926.09

Box.test(m4$residuals,lag=26,type='Ljung')

##        Box-Ljung test

##data:  m4$residuals

##X-squared = 22.414, df = 26, p-value = 0.6659

tsdiag(m6)

#arima(8,1,11)调整模型有效。

#不确定差没有自相关性

#LB检验的p值在有效范围内


选择arima(8,1,11)调整模型


ronghuilin
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ARIMA模型-matlab代码
01-25
ARIMA模型-matlab代码，可以根据自己的实际情况进行参数调节，实现所需要的效果。
oracle日常运维及应急故障处理手册
Vic的博客
10-06 2万+
常见问题及处理方案 CPU使用率高的问题 通过操作系统命令toptopas glance等查看top进程号，确认是系统进程还是oracle应用进程，查询当前top进程执行的操作和sql语句进行分析。   根据进程号获取正在执行的sql   SELECT a.osuser, a.username,b.address,b.hash_value, b.sql_text fromv$sessi
平时学习随笔
qq_15409121的博客
12-21 1651
yolo之anchor 步长越大，得到的特征图就越小，特征图越小用的锚框就越大，为了更好检测大目标，反之相反。 参照yolo3的anchor分配
pyqt 只能打开子窗口一次_Leetcode刷题总结之滑动窗口法（尺取法）
weixin_39624733的博客
11-22 122
介绍滑动窗口法，也叫尺取法（可能也不一定相等，大概就是这样 =。=），可以用来解决一些查找满足一定条件的连续区间的性质（长度等）的问题。由于区间连续，因此当区间发生变化时，可以通过旧有的计算结果对搜索空间进行剪枝，这样便减少了重复计算，降低了时间复杂度。往往类似于“请找到满足xx的最x的区间（子串、子数组）的xx”这类问题都可以使用该方法进行解决。引入的小例子Leetcode 209. 长度最小的...
r语言lm函数找不到对象_R语言错误的提示（中英文翻译）
weixin_36313743的博客
01-30 5498
# Chinese translations for R package# Copyright (C) 2005 The R Foundation# This file is distributed under the same license as the PACKAGE package.# 陈斐 , 2006.# 邓小冬 DENG Xiaodong , 2015.#msgid ""msgstr...
R语言错误的提示（中英文翻译）
08-14 2万+
# Chinese translations for R package # Copyright (C) 2005 The R Foundation # This file is distributed under the same license as the PACKAGE package. # 陈斐 <[email protected]>, 2006. # ...
【R语言】R语言异常或错误处理
热门推荐
小哲的博客
01-21 3万+
R语言异常或错误处理 问题1：在使用R语言（RCurl包）抓取网页的过程中，往往会因为有些页面超时，或者页面不存在而导致程序因为异常中断退出，进而使自动批量抓取数据的程序中断，这时就需要有人工干预，重新运行程序或重新启动服务，从而导致维护成本增加。 问题2：使用R语言进行数据处理时，常常需要写批处理程序实现程序自动处理，但是可能会出现一些意想不到的错误，从而导致自动化过程中断，这时需要人工干预...
r语言学习（2）
woainiaini999的博客
07-15 988
> #控制流# > #if(cond)statement_1 else statement_2# > #cond是条件成立 则执行第一条命令 否则执行第二条命令 > if(any(x<=0))y<-log(1+x) else y<-log(x) Warning message: In log(1 + x) : NaNs produced > y<-if(any(x<=0))log(1+x) els
multisim出现收敛问题解决办法
weixin_53402301的博客
08-22 1万+
multisim出现收敛问题解决方法
【数据分析 R语言实战】学习笔记 第七章 假设检验及R实现
05-25 1214
假设检验及R实现 7.1假设检验概述 对总体参数的具体数值所作的陈述，称为假设;再利用样本信息判断假设足否成立，这整个过程称为假设检验。 7.1.1理论依据 假设检验之所以可行，其理沦背景是小概率理论。小概率事件在一次试验中儿乎是不可能发生的，但是它一以发生，我们就有理由拒绝原假设:反之，小概率事件没有发生，则认为原假设是合理的。这个小概率的标准由研究者事先确定，即以所谓的显著性水平α(0...
深度学习训练中如何处理NaNs
Shingle_的博客
04-15 3491
NaNs问题（Dealing with NaNs） 相信很多自己实现过深度学习模型或者训练过深度学习模型的人都会知道，产生NaNs或者Infs是一件特别常见的事情。但是NaNs的问题又往往很棘手，因为出现NaN的原因可能有很多，诊断起来并不容易。 这可能是因为模型中某个地方设置的不是特别合理，或者代码中出现了Bug。也有可能是出现了数值不稳定，数值不稳定问题会进行单独说明。甚至也可能是你的算法...
ARIMA模型MATLAB代码
12-06
解决时间序列问题，代码中参数的设定自己摸索吧
gpc预测控制CARIMA模型
06-18
该MATLAB程序仿真对象是一阶纯滞后对象，程序运行成功。
ARIMA程序代码
07-10
ARIMA代码，方便各位学者对ARIMA的matlab进行研究。
数据趋势预测ARIMA算法实现
03-30
数据趋势预测分析的ARIMA算法JAVA实现，解压缩后导入eclipse工作空间即可测试使用
基于Python实现时间序列分析建模(ARIMA模型)项目实战
10-31
【项目实战】基于Python实现时间序列分析建模(ARIMA模型)项目实战 内容包括： 资料说明：包括数据集+源代码+PDF文档说明+代码视频讲解。 资料内容包括： 1)项目背景； 2)数据收集； 3)数预处理； 4)RBF神经网络...
MATLAB ARIMA 模型 做时间序列分析预测 matlab源码
03-01
资源名：MATLAB ARIMA 模型 做时间序列分析预测 matlab源码 资源类型：matlab项目全套源码 源码说明： 全部项目源码都是经过测试校正后百分百成功运行的，如果您下载后不能运行可联系我进行指导或者更换。 适合人群...
ARIMA模型时间序列数据分析python代码
06-27
使用ARIMA模型进行时间序列数据分析 编程语言：python 代码编辑器：jupyter notebook 适合想了解ARIMA模型的大致流程以及代码实现的朋友
arima 模型 源代码
01-22
ARIMA 预测模型 训练集和预测集 ARIMA模型全称为自回归积分滑动平均模型(Autoregressive Integrated Moving Average Model,简记ARIMA)，是由博克思(Box)和詹金斯(Jenkins)于70年代初提出一著名时间序列（Time-series...
arima模型结果分析
最新发布
05-26
ARIMA（自回归移动平均模型）是一种用于时间序列分析的统计模型。ARIMA模型可以用于预测未来的数据点，同时还可以揭示时间序列中的趋势和周期性模式。 ARIMA模型的结果分析通常包括以下几个方面： 1. 残差分析：对于ARIMA模型，重要的一步是检查模型的残差序列是否符合白噪声假设。如果残差序列不是白噪声序列，则可能意味着模型未能捕捉到时间序列的某些特征。可以使用统计检验（如Ljung-Box检验）来检查残差序列是否是白噪声序列。 2. 模型的拟合程度：可以使用拟合优度指标（如R-squared）来评估模型的拟合程度。R-squared越接近1，说明模型越能解释时间序列的变化。 3. 参数估计的显著性：ARIMA模型的参数估计需要使用最大似然估计等方法，因此需要检查参数估计的显著性。可以使用t检验或F检验来检查参数估计是否显著。 4. 预测精度：使用ARIMA模型进行预测的关键是评估预测精度。可以使用均方根误差（RMSE）或平均绝对误差（MAE）等指标来评估预测精度。如果预测精度较低，则需要重新调整模型参数或重新选择模型。 总之，ARIMA模型的结果分析需要综合考虑多个方面，以确保模型能够准确地描述时间序列的变化，并具有较好的预测能力。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值