《量化交易学习指南——基于R语言》第4章 时间序列建模

第4章　时间序列建模

时间序列预测分析是量化金融最重要的构件之一。R有很多支持时间序列分析和预测的程序包——有些程序包用来将等间距和不等距的数据序列转化为时间序列数据，而有些程序包则用来构建预测模型（如ARIMA模型和GARCH模型）。在本章中，我们介绍如何将数据转化时间序列并构建预测模型。

本章包含以下内容。

• 时间序列概述
• 将数据转化为时间序列
• zoo包
• xts包
• 线性过滤器
• 自回归模型（AR）
• 移动平均模型（MA）
• 自回归整合移动平均模型（ARIMA）
• 广义自回归条件异方差模型（GARCH）
• 指数GARCH模型（EGARCH）
• 向量GARCH模型（VGARCH）
• 动态条件相关性模型（DCC）

4.1　时间序列概述

时间序列（time series）通常是指按固定时间间隔收集到的数据序列。很多领域都会用时间序列来存储信息，而为了制定未来的计划，我们需要分析这些信息。比如，金融领域存在关于失业率、GDP、汇率、股价等的日度或月度数据，投资者和金融机构从业人员想要制定未来的投资战略就需要对这些时间序列数据进行分析，因此，时间序列在金融领域中发挥着重要作用。

时间序列数据本质上难以预测，为了更好地理解数据，我们可将时间序列数据分解为若干构成部分，如下所示。

<