一 移动平均
移动平均能消除数据中的季节变动和不规则变动。若序列中存在周期变动,则通常以周期为移动平均项数。移动平均法可以通过数据显示出数据长期趋势的变动规律。
R可用filter()函数做移动平均。用法:filter(data,filter,sides)
1、简单移动平均
简单移动平均就是将n个观测值的平均数作为第(n
1)/2个的拟合值。当n为偶数时,需进行二次移动平均。简单移动平均假设序列长期趋势的斜率不变。
以我国1992到2014年的季度GDP数据为例。
data
tdata
m1
plot(tdata,xlab="时间",ylab="gdp")
lines(m1,col="red",cex=1.5)
代码运行结果如上图,红色表示拟合值,黑色表示真实值。
2、二次移动平均
二次移动平均即在一次移动平均的基础上再进行一次移动平均。一般两次移动平均的项数是一致的。二次移动平均假设序列长期趋势的斜率是随时间的变化而变化的。
二次移动平均长期趋势的拟合公式为:at=2M1t−M2t,其中M1t
表示第一次移动平均的拟合值,M2t表示二次移动平均的拟合值。
同样以上述数据为例,进行二次移动平均。代码如下:
plot(tdata,type="l",xlab="时间",ylab="季度GDP")
m2
lines(2*m1-m2,col="red",cex=2)
>
plot(a,pdata,type="o",xlab="时间",ylab="消费者信心指数")

本文介绍了使用R语言进行金融数据时间序列分析,包括移动平均法(简单和二次移动平均)和Holt-Winters指数平滑方法。通过实例展示了如何对季度GDP数据进行分析,预测未来5年趋势,并讨论了不同方法的适用性和局限性。
最低0.47元/天 解锁文章

被折叠的 条评论
为什么被折叠?



