面向金融的R语言——Lecture6

最新推荐文章于 2024-07-01 17:58:54 发布
最新推荐文章于 2024-07-01 17:58:54 发布
阅读量787 收藏 3
点赞数 2
分类专栏： R语言 文章标签： R语言 金融
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/sid_liu/article/details/84103173
版权
本文介绍了R语言中面向金融的矩阵运算，包括矩阵的创建、 Hibert矩阵、特征值与特征向量、SVD和QR分解等。通过实例展示了如何构造矩阵、访问元素、求解线性系统，以及应用这些方法解决金融问题。
摘要由CSDN通过智能技术生成

面向金融的R语言——Lecture6

2018年11月15日 软微 金融信息服务 刘旭德

文章目录

矩阵的创建、性质及运算

构造矩阵的三种方法

  1. 创建一个行列分别分 nrow， ncol 的矩阵
    matrix(data, nrow, ncol)
    data(列表)里面的数是由上而下排列的
  2. 利用cbind来实现
    cbind(d1, d2, d3, …, dm)
    其中 di 是列向量
  3. 利用rbind来实现
    rbind(d1, d2, d3, …, dn)
    其中 di 是行向量
matrix(c(1, 2, 3, 4, 5, 6, 7, 8, 9), 3, 3)
cbind(c(1, 2, 3), c(4, 5, 6), c(7, 8, 9))
rbind(c(1, 4, 7), c(2, 5, 8), c(3, 6, 9))

out

     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9

其它使用方法

#作用 ncol =  或 nrow = 来指定相应的行、列数
matrix(seq(1, 12), ncol = 3)

out

     [,1] [,2] [,3]
[1,]    1    5    9
[2,]    2    6   10
[3,]    3    7   11
[4,]    4    8   12

hibert矩阵

hibert矩阵其Aij = 1 / (i + j - 1)
构造hibert 矩阵

hilbert.matrix <- function( n = 1){
  element_vec <- numeric(n ^ 2)
  Hilbert_matrix <- matrix(element_vec, ncol = n)
  for(i in 1 : n)
    for(j in 1 : n)
      Hilbert_matrix[i, j] <- 1 / (i + j - 1)
    return(Hilbert_matrix)
}
H3 <- hilbert.matrix(3)
H3

out

          [,1]      [,2]      [,3]
[1,] 1.0000000 0.5000000 0.3333333
[2,] 0.5000000 0.3333333 0.2500000
[3,] 0.3333333 0.2500000 0.2000000

example:

Q1:构造Hankel矩阵在这里插入图片描述
A1:

Hankel_matrix <- matrix(rep(seq(1 : 5), 5) + rep(seq(0 : 4), each = 5), ncol = 5)
print(Hankel_matrix)

#构造函数生成Hankel矩阵
Hankel_matrix <- function(n = 1){
  hankel_matrix <- matrix(rep(seq(1 : n),  n) + 
                            rep(seq(0 : (n -1)), each = n), ncol = n)
  return (hankel_matrix)
}
print(Hankel_matrix(10))

#第二种写法
Hankel_matrix <- function(n = 1){
  #构造一个列表
  L <- rep(1 : n , n) + rep(0 : (n - 1), each = n)
  #将列表转化为矩阵
  M <- matrix(L , ncol = n)
  return(M)
}
print(Hankel_matrix(10))

out:

     [,1] [,2] [,3] [,4] [,5]
[1,]    1    1    1    1    1
[2,]    2    2    2    2    2
[3,]    3    3    3    3    3
[4,]    4    4    4    4    4
[5,]    5    5    5    5    5

      [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
 [1,]    2    3    4    5    6    7    8    9   10    11
 [2,]    3    4    5    6    7    8    9   10   11    12
 [3,]    4    5    6    7    8    9   10   11   12    13
 [4,]    5    6    7    8    9   10   11   12   13    14
 [5,]    6    7    8    9   10   11   12   13   14    15
 [6,]    7    8    9   10   11   12   13   14   15    16
 [7,]    8    9   10   11   12   13   14   15   16    17
 [8,]    9   10   11   12   13   14   15   16   17    18
 [9,]   10   11   12   13   14   15   16   17   18    19
[10,]   11   12   13   14   15   16   17   18   19    20

Q2:使用rbind()构造矩阵

A2:

# rbind 里面不需要再定义ncol or nrow
# c()是列表，不能用[]表示
P <- rbind(c(0.1, 0.5, 0.0, 0.4), 
           c(0.2, 0.3, 0.5, 0.0), 
           c(0.3, 0.0, 0.5, 0.2), 
           c(0.2, 0.3, 0.2, 0.3))
print(P)

out:

     [,1] [,2] [,3] [,4]
[1,]  0.1  0.5  0.0  0.4
[2,]  0.2  0.3  0.5  0.0
[3,]  0.3  0.0  0.5  0.2
[4,]  0.2  0.3  0.2  0.3

Q3:使用cbind()构造矩阵

在这里插入图片描述

A3:

P <- cbind(c(1, 1, 1, 1, 1, 1, 1),
           c(2, 3, 4, 5, 6, 7, 8),
           c(3, 7, 5, 6, 7, 5, 3))
print(P)

out:

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    1    3    7
[3,]    1    4    5
[4,]    1    5    6
[5,]    1    6    7
[6,]    1    7    5
[7,]    1    8    3

对矩阵元素的访问

以P矩阵为例

代码 含义
P[i, j] 访问 P 矩阵的第 i 行， 第 j 列元素
P[i, ] P矩阵的第 i 行
P[ , j] P矩阵的第 j 列
P[i, , drop = FALSE] 保留维度信息
colnames ( P ) <- c(“c1” ,“c2” ,… ,“cn”) 为每一列命名
rownames ( P ) <- c(“r1” ,“r2” ,… ,“rn”) 为每一行命名
dim( P ) 查看P矩阵的维数（行、列）
det( P ) 查看P 矩阵行列式的值
diag( P ) 提取对角线元素
t( P ) 对P矩阵进行转置
diag( P ) 矩阵的对角线元素
diag(diag( P )) 矩阵的对角线元素构成的矩阵
lower.tri( P )
upper.tri( P )

矩阵的代数运算：
矩阵的 + - * 运算都是同型矩阵相应元素作运算
两矩阵的乘法要使用： X % * % Y
Y <- X * 2

# 定义两个矩阵a， b
b <- rbind(c(1, 2, 3), 
           c(4, 5, 6),
           c(7, 8, 9))
a <- rbind(c(1, 0, 0),
           c(1, 0, 0),
           c(1, 0, 0))
           
# 两矩阵相应元素相乘
a * b
# 两矩阵相乘
a %*% b     
#对 a 转置后相乘
t(a) %*% b
#对a 转置后相乘
crossprod(a, b)

out

> # 定义两个矩阵a， b
> b <- rbind(c(1, 2, 3), 
+            c(4, 5, 6),
+            c(7, 8, 9))
> a <- rbind(c(1, 0, 0),
+            c(1, 0, 0),
+            c(1, 0, 0))
> 
> # 两矩阵相应元素相乘
> a * b
     [,1] [,2] [,3]
[1,]    1    0    0
[2,]    4    0    0
[3,]    7    0    0
> # 两矩阵相乘
> a %*% b     
     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    1    2    3
[3,]    1    2    3
> #对 a 转置后相乘
> t(a) %*% b
     [,1] [,2] [,3]
[1,]   12   15   18
[2,]    0    0    0
[3,]    0    0    0
> #对a 转置后相乘
> crossprod(a, b)
     [,1] [,2] [,3]
[1,]   12   15   18
[2,]    0    0    0
[3,]    0    0    0

矩阵的逆：
利用solve() 或者 qr.solve()

a <- rbind(c(1, 1, 1),
           c(0, 1, 1),
           c(0, 0, 1))
# 求 a 行列式的值 
det(a)
# 求 a 的逆
a.inv <- solve(a)
a.inv
# 另一种求法
a.inv <- qr.solve(a)
a.inv

out

> a <- rbind(c(1, 1, 1),
+            c(0, 1, 1),
+            c(0, 0, 1))
> # 求 a 行列式的值 
> det(a)
[1] 1
> # 求 a 的逆
> a.inv <- solve(a)
> a.inv
     [,1] [,2] [,3]
[1,]    1   -1    0
[2,]    0    1   -1
[3,]    0    0    1
> # 另一种求法
> a.inv <- qr.solve(a)
> a.inv
     [,1] [,2] [,3]
[1,]    1   -1    0
[2,]    0    1   -1
[3,]    0    0    1

矩阵的线性求解：
利用solve(a, b),可以求出 ax = b的解

a <- rbind(c(1, 1, 1),
           c(0, 1, 1),
           c(0, 0, 1))
b <- c(1, 2, 3)
# 求解 a * x = b
x <- solve(a, b)
x

out

> a <- rbind(c(1, 1, 1),
+            c(0, 1, 1),
+            c(0, 0, 1))
> b <- c(1, 2, 3)
> # 求解 a * x = b
> x <- solve(a, b)
> x
[1] -1 -1  3

example:

Q1:构造体型矩阵

在这里插入图片描述
在这里插入图片描述
A1:
（a）ABv、(AB)v和A(Bv) 在数学上有差别吗？
答：有差别。前两种的运算顺序为从左到右，第三种先计算括号中的内容。
（b）解释为什么第三种计算比其他两种用更少的时间。
答：B与v相乘后得到一个1000×1的列向量，再与A相乘，与前两种计算相比，减少了A×B的矩阵运算量。

A <- matrix(rep(1,1000000), nrow = 1000)
B <- A
# v是一个列向量，所以才可以与矩阵 A B 相乘
v <- rep(1, 1000)
system.time(A %*% B %*% v)
system.time((A %*% B) %*% v)
system.time(A %*% (B %*% v))

out:

> A <- matrix(rep(1,1000000), nrow = 1000)
> B <- A
> v <- rep(1, 1000)
> system.time(A %*% B %*% v)
用户 系统 流逝 
0.69 0.00 0.68 
> system.time((A %*% B) %*% v)
用户 系统 流逝 
0.66 0.00 0.65 
> system.time(A %*% (B %*% v))
用户 系统 流逝 
0.02 0.00 0.02

特征值及特征向量

特征值与特征向量的求法
eigen( x ) x矩阵的特征值特征向量

a <- rbind(c(1, 0, 1),
           c(0, 1, 1),
           c(0, 0, 1))
# 求矩阵的特征值与特征向量
A <- eigen(a)
A
# 特征值 * 相应的特征向量
A $ value[1] * A $ vector[,2]
# 矩阵 * 特征向量
a %*% A$vector[,2]

out

> a <- rbind(c(1, 0, 1),
+            c(0, 1, 1),
+            c(0, 0, 1))
> # 求矩阵的特征值与特征向量
> A <- eigen(a)
> A
eigen() decomposition
$`values`
[1] 1 1 1

$vectors
     [,1] [,2]          [,3]
[1,]    1    0 -7.071068e-01
[2,]    0    1 -7.071068e-01
[3,]    0    0  1.570092e-16

> # 特征值 * 相应的特征向量
> A $ value[1] * A $ vector[,2]
[1] 0 1 0
> # 矩阵 * 特征向量
> a %*% A$vector[,2]
     [,1]
[1,]    0
[2,]    1
[3,]    0

example:

Q1:构造体型矩阵

在这里插入图片描述
在这里插入图片描述
A1:

X <- matrix(c(1, 2, 3, 1, 4, 9), ncol = 2)
H <- X %*% solve((t(X) %*% X)) %*% t(X)
H
# 求特征值与特征向量
eigen(H)
# 求对角线的和
trace <- function(H)sum(diag(H))
trace(H)
# 求特征值之和
sum(eigen(H)$value)
# 矩阵行列式的值
det(H)
X
H
# X 与 H的乘积是 X
H %*% X

out:

> X <- matrix(c(1, 2, 3, 1, 4, 9), ncol = 2)
> H <- X %*% solve((t(X) %*% X)) %*% t(X)
> H
           [,1]      [,2]       [,3]
[1,]  0.5263158 0.4736842 -0.1578947
[2,]  0.4736842 0.5263158  0.1578947
[3,] -0.1578947 0.1578947  0.9473684
> # 求特征值与特征向量
> eigen(H)
eigen() decomposition
$`values`
[1] 1.000000e+00 1.000000e+00 6.661338e-16

$vectors
          [,1]       [,2]       [,3]
[1,] 0.0000000 -0.7254763  0.6882472
[2,] 0.3162278 -0.6529286 -0.6882472
[3,] 0.9486833  0.2176429  0.2294157

> # 求对角线的和
> trace <- function(H)sum(diag(H))
> trace(H)
[1] 2
> # 求特征值之和
> sum(eigen(H)$value)
[1] 2
> # 矩阵行列式的值
> det(H)
[1] -1.752984e-17
> X
     [,1] [,2]
[1,]    1    1
[2,]    2    4
[3,]    3    9
> H
           [,1]      [,2]       [,3]
[1,]  0.5263158 0.4736842 -0.1578947
[2,]  0.4736842 0.5263158  0.1578947
[3,] -0.1578947 0.1578947  0.9473684
> # X 与 H的乘积是 X
> H %*% X
     [,1] [,2]
[1,]    1    1
[2,]    2    4
[3,]    3    9

Q2：
在这里插入图片描述
创建6×6希尔伯特矩阵，并计算其特征值和特征向量。计算矩阵的逆。逆矩阵的特征值与原矩阵的特征值之间是否存在关系？应该有关系吗？在7×7希尔伯特矩阵上重复上述分析。
答：逆矩阵的特征值为原矩阵特征值的倒数（1/λ）。

# 建立一个Hibert 矩阵
H <- function(n = 1){
  h <- numeric(n ^ 2)
  m <- matrix(h, ncol = n)
  for(i in 1 : n)
最低0.47元/天 解锁文章
sid_liu
关注
专栏目录
大语言模型原理与应用实践：基于监督学习进行微调 Supervised Learning & Fine-Tuning
程序员光剑
06-25 280
近年来，随着深度学习技术的快速发展，大规模语言模型(Large Language Models, LLMs)在自然语言处理(Natural Language Processing, NLP)领域取得了巨大的突破。这些大语言模型通过在海量无标签文本数据上进行预训练，学习到了丰富的语言知识和常识，可以通过少量的有标签样本在下游任务上进行微调(Fine-Tuning)，获得优异的性能。其中最具代表性的大模型包括OpenAI的GPT系列模型、Google的BERT、T5等。
模型架构选择：从传统NLP到Transformer
程序员光剑
03-02 121
自然语言处理（NLP）是人工智能的重要分支，旨在使计算机能够理解、解释和生成人类语言。随着互联网的发展和数据量的激增，NLP技术在文本分类、机器翻译、情感分析、问答系统等多个领域得到了广泛应用。然而，NLP任务的复杂性和多样性对模型架构提出了巨大挑战。传统的NLP模型架构，如基于规则的方法、统计模型、词袋模型等，虽然在早期取得了一定的成果，但随着数据规模和任务复杂度的增加，这些方法逐渐暴露出其局限性。为了应对这些挑战，研究人员不断探索新的模型架构，从传统的RNN、CNN，到近年来备受瞩目的Transform
面向金融的R语言_L3
sid_liu的博客
02-18 407
TOC for 循环 基础格式 for(name in vector) {commands} 变量 name 循环取 vector 中的每个元素，分别执行大括号中的 commands commands 可以是一条语句，也可以是多条语句。当用一条语句时，可以不用大括号 用 for（） 计算 n！ n &amp;amp;amp;amp;amp;amp;amp;lt;- 10 result &amp;amp;amp;amp;amp;amp;amp;lt;- 1 for(i in 1:n){ re
面向金融的R语言——Lecture7
sid_liu的博客
11-15 1032
矩阵的创建、性质及运算 一.构造矩阵的三种方法 创建一个行列分别分 nrow， ncol 的矩阵 matrix(data, nrow, ncol) 利用cbind来实现 cbind(d1, d2, d3, …, dm) 其中 di 是列向量 利用rbind来实现 rbind(d1, d2, d3, …, dn) 其中 di 是行向量 matrix(c(1, 2, 3, 4, 5, 6, 7,...
RxDiag message pump 3.1 Jan 2024 07:21:27
最新发布
weixin_53414331的博客
07-01 6559
0x00000000内存不能为read”/RxDiag message pump 3.1 Jan 2024 07:21:27。
R语言在金融中的运用一
shushujiuhui123的博客
09-09 1291
R语言在金融中的运用 财富管理 风控 数据采集 新浪微博、新浪新闻、股吧、Google、Bloomberg、新浪博客、人民日报、雪球、twitter、Seeking Alpha 继承S语言 1.R包相关 1.包的下载及调用 install.packages("包名",lib="#dir")#下载包，必须有双引号,dir替换为所需安装路径，默认为R安装目录下的library文件夹 library(packagename,lib.loc="#dir")#载入包,lib.lock可选，默认为R安装目录下的libr
R语言在金融中的应用二
shushujiuhui123的博客
09-15 892
3.文件输入输出以及常见错误 3.1 R脚本文件输入(打开) .R 利用Rstudio界面 利用R界面 命令打开 file.edit("#dir",fileEncoding = "UTF-8") #导入.R文件，导入R的脚本文件 3.2 R脚本文件储存(保存) 利用Rstudio界面 利用R界面 3.3 其他文件输出(保存) 将运行结果保存在文档里： 运行结果保存成.R或者.txt文件 → sink() 注意点： #R 脚本文件输出（保存） #保存运行结果,sink() sink(
R语言金融分析与建模：R的基本语法
人邮异步社区
01-28 2397
对所有的编程语言而言，循环语句是非常重要的。因为我们使用各种循环来处理各类数据。例如从一个数据集中不断地取出各类子集。典型的例子是如果我们有一个数据集包含5000支股票，我们计划计算每一只股票的各种特征。为此我们可以用循环语句从1到5000循环5000次。其他应用还包括：合并不同的数据集，或按各种条件重新定义程序流程。 最常用的两个循环是for()循环和while()循环。下面为在屏幕上打印3个值的最简单的for()循环。 > for(i in 1:3) print(i) [1] 1 [1]
面向金融的R语言——Lecture9
sid_liu的博客
11-24 1871
typora-root-url: 插入图片 面向金融的R语言——Lecture9 2018年11月15日 软微 金融信息服务 刘旭德 [TOC] 收益率的计算 安装某个软件包 install.packages(&quot;packages_name&quot;) # 联网安装 install.packages(&quot;pach_to_packages&quot;) # 从本地路径安装软件包 载入某个软件包 librar...
基于R语言的 Tsay的经典金融数据分析参考资料（一）.rar
02-16
基于R语言的 Tsay的经典金融数据分析参考资料（一） 基于R语言的 Tsay的经典金融数据分析参考资料（一） 内容详实，适合各个阶段有兴趣利用R语言进行金融数据分析的同学们。 文档-课程资源-讲义
Statistical Analysis of Financial Data in R
03-23
用R语言进行金融数据的统计分析，包括股票、期货、期权等
金融领域R语言对比python
南山牧笛的博客
05-22 5536
大家好，我是金融专业学生。教授建议我们学一门计算机语言课，这样可以通过编程来分析金融数据。但是我不知道该学那一种好，请各位给点意见。我没有任何编程经验，也不打算深究编程，只是能用这种工具来建立模型分析数据就够了。请问我该学R语言还是python呢？感谢答复！ 2014年03月25日提问 4 评论  邀请回答 默认排序时间排序 9 个回答
R语言金融基础：tidyquant获取数据（股票每日行情）
R语言中文社区
05-14 2478
作者：黄天元，复旦大学博士在读，目前研究涉及文本挖掘、社交网络分析和机器学习等。希望与大家分享学习经验，推广并加深R语言在业界的应用。邮箱：huang.tian-yuan...
R语言与金融大数据处理——基础篇(代码)
热门推荐
我愛红金龙的专栏
09-10 1万+
# 加百力咨询： 《R语言与金融大数据处理》 - 《基础篇》 （v1.0) # 最后修改时间：2014-04-23(17.3)# 加百力咨询： 《R语言与金融大数据处理》 - 《基础篇》 （v1.0) # 主讲人：加百力### 01、课程介绍 #############################################################################
R语言金融分析作业（三）
苍林翠竹的博客
04-06 5168
下载、安装quantmod 、fBasics程序包。在线下载新浪股份近三年的交易数据 1）查看它的维数及前、后各三个观测 2）计算股票收盘价的对数收益率 3）画出其密度函数图，在密度函数图上增加一条均值、方差相同的正态分布曲线（虚线） 4）获得股票收益数据的基本统计量，加以说明。 5）检验股票收益率的正态性 install.packages("quantmod") 调用 quantmod 软件包...
【R语言实战】——金融时序ARIMA建模
jd1813346972的博客
03-12 2160
该篇文章实现了对深证综指收益率数据进行ARIMA建模及预测，包括对原始收益数据的处理；平稳性及白噪声检验；ACF/PACF定阶；EACF表定阶；模型拟合；残差检验；模型优化；模型预测，同时附带完整代码及相关分析。
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