R语言arima模型时间序列分析报告(附代码数据).pdf

R语言arima模型时间序列分析报告(附

代码数据)

【原创】定制撰写数据分析可视化项目案例调研报告（附

代码数据）

有问题到淘宝找“大数据部落”就可以了

R语言arima模型时间序列分析报告

library(openxlsx)library(openxlsx)

XXX收盘价(元)`

date=data$日期

07-05

#绘制时间序列图

plot(date,timeseries)

timeseriesdiff-diff(timeseries,differences=1)

plot(date[-1],timeseriesdiff)

【原创】定制撰写数据分析可视化项目案例调研报告（附

代码数据）

有问题到淘宝找“大数据部落”就可以了

#时间序列分析之ARIMA模型预测#我们可以通过键入下

面的代码来得到时间序列（数据存于“timeseries”）的一阶差分，

并画出差分序列的图:

#时间序列分析之ARIMA模型预测#从一阶差分的图中可

以看出，数据仍是不平稳的。我们继续差分。【原创】定制撰

写数据分析可视化项目案例调研报告（附代码数据）

有问题到淘宝找“大数据部落”就可以了

#时间序列分析之ARIMA模型预测#二次差分（上面）后

的时间序列在均值和方差上确实看起来像是平稳的，随着时间

推移，时间序列的水平和方差大致保持不变。因此，看起来我

们需要对data进行两次差分以得到平稳序列。#第二步，找到

合适的ARIMA模型#如果你的时间序列是平稳的，或者你通

过做n次差分转化为一个平稳时间序列，接下来就是要选择合

适的ARIMA模型，这意味着需要寻找ARIMA(p,d,q)中合适

的p值和q值。为了得到这些，通常需要检查[平稳时间序列

的（自）相关图和偏相关图。#我们使用R中的“acf()”和“pacf”

函数来分别（自）相关图和偏相关图。“acf()”和“pacf设定

“plot=FALSE”来得到自相关和偏相关的真实值。

acf(na.omit(timeseriesdiff2),lag.max=20)

#时间序列分析之ARIMA模型预测

#自相关图表现滞后1阶自相关值根本没有跨越边界值，

虽然6阶自相关值超越边界，那末极可能属于有时呈现的，而

自相关值在其他上都没有超越显著边界，并且我们可以期望1

到20之间的会偶然超越95%的置信边界。

pacf(na.omit(timeseriesdiff2),lag.max=20)

#偏自相关值选5阶。#故我们的ARMIA模型为armia

（1,2,5）

XXX-arima(timeseries,order=c(5,2,5))

XXX

【原创】定制撰写数据分析可视化项目案例调研报告（附

代码数据）

有问题到淘宝找“大数据部落”就可以了

#偏自相关值选5阶。

##

##Call:

##arima(x=timeseries,order=c(5,2,5))

##

##Coefficients:

##Warninginsqrt(diag(XXX)):产生了NaNs

##ar1ar2ar3ar4ar5ma1ma2ma3

##-0.8663-0.6281-0...0582-0.0862-0.2969-0.0206

XXX

##ma4ma5

##-0.5481-0.0482

##s.e.0.1311NaN

##

##sigma^2estimatedas2672:loglikelihood=-.51,aic=.02##sigma^2estimatedas2672:loglikelihood=-.51,aic=.02

#对沪深300指数