R语言时间序列分析

R语言时间序列分析

---

时间序列	白噪声序列	终止分析，无信息可提取
	非白噪声序列	平稳序列	AR/MA/ARMA
		非平稳序列	ARIMA，实际应用中最常见

当拿到一个时间序列的时候，首先分析该时间序列的类型情况，不同类型的序列有不同的处理方式。本文包含以下几个部分：

1、时间序列数据准备

2、时间序列平稳性检验

3、拟合ARIMA模型

4、ARIMA模型的检验诊断

5、用ARIMA模型进行预测

一、时间序列数据准备

> stodata <- read.csv("Stk_Day.csv")
> head(stodata)
      代码       时间 开盘价 最高价 最低价 收盘价 成交量.股. 成交额.元.
1 SH600000 1999-11-10  29.50  29.80  27.00  27.75  174085000 4859102208
2 SH600000 1999-11-11  27.58  28.38  27.53  27.71   29403400  821582016
3 SH600000 1999-11-12  27.86  28.30  27.77  28.05   15007900  421591008
4 SH600000 1999-11-15  28.20  28.25  27.70  27.75   11921000  332952000
5 SH600000 1999-11-16  27.88  27.97  26.48  26.55   23223100  628908032
6 SH600000 1999-11-17  26.50  27.18  26.37  27.18   10052500  268995008
> library(xts)
> x1 <- stodata[,3]
> x2 <- stodata[,7]
> dt <- as.Date(stodata[,2]) #dt必须是时间格式
> tsdata1 <- xts(x1,dt)
> tsdata2 <- xts(x2,dt) #建立时间序列类型
> par(mfrow=c(2,1)) #画图时两行一列的排列
> plot(tsdata1,col="black")
> plot(tsdata2,col="red")

 

二、时间序列平稳性检验

（1）时序图主观检验

平稳时间序列的均值和方差都为常数。根据这一性质，平稳序列的时序图显示该序列值始终在一个常数附近随机波动，而且波动的范围有界；如果有明显的趋势性或周期性那它通常不是平稳序列。观察tsdata1的时间序列图，明显有趋势性，所以这个时间序列不是平稳序列（一般非平稳序列经过一定的差分计算会呈现出一定的平稳性）。

（2）绘制自相关函数图检验