r语言股票下载 ar模型 描述统计 附代码数据.docx
《r语言股票下载 ar模型 描述统计 附代码数据.docx》由会员分享，可在线阅读，更多相关《r语言股票下载 ar模型 描述统计 附代码数据.docx（18页珍藏版）》请在冰豆网上搜索。
r语言股票下载ar模型描述统计附代码数据
christyxyu.R
Administrator
WedFeb0823:
39:
242017
#a.DownloadthemanualforTimeSeriesAnalysiswithR,PartIbyWalterZucchini,OlegNenadi´forreference
#asyoumayneedittocompletetheassignment.
#http:
//www.statoek.wiso.uni-goettingen.de/veranstaltungen/zeitreihen/sommer03/ts_r_intro.pdf
#b.DownloadQuantmodmanual
#c.SearchforMicrosoftsymbolinGooglefinance
library（quantmod）
##Loadingrequiredpackage:
xts
##Loadingrequiredpackage:
zoo
##
##Attachingpackage:
'zoo'
##Thefollowingobjectsaremaskedfrom'package:
base':
##
##as.Date,as.Date.numeric
##Loadingrequiredpackage:
TTR
##Version0.4-0includednewdatadefaults.See?
getSymbols.
#MicrosoftsymbolinGooglefinanceisMSFT
#d.DownloadMicrosoftstockpricedatafromJan3,2010toJan20,2016inRusinggetSymbolscommandin
#Quantmod,checkifdataisreadproperlyusingheadandtailcommand5
getSymbols（'MSFT',from="2010-01-03",to="2016-01-20"）
##Asof0.4-0,'getSymbols'usesenv=parent.frame（）and
##auto.assign=TRUEbydefault.
##
##Thisbehaviorwillbephasedoutin0.5-0whenthecallwill
##defaulttouseauto.assign=FALSE.getOption（"getSymbols.env"）and
##getOptions（"getSymbols.auto.assign"）arenowcheckedforalternatedefaults
##
##Thismessageisshownoncepersessionandmaybedisabledbysetting
##options（"getSymbols.warning4.0"=FALSE）.See?
getSymbolsformoredetails.
##[1]"MSFT"
head（MSFT）
##MSFT.OpenMSFT.HighMSFT.LowMSFT.CloseMSFT.Volume
##2010-01-0430.6231.1030.5930.9538409100
##2010-01-0530.8531.1030.6430.9649749600
##2010-01-0630.8831.0830.5230.7758182400
##2010-01-0730.6330.7030.1930.4550559700
##2010-01-0830.2830.8830.2430.6651197400
##2010-01-1130.7130.7630.1230.2768754700
##MSFT.Adjusted
##2010-01-0425.71042
##2010-01-0525.71872
##2010-01-0625.56089
##2010-01-0725.29506
##2010-01-0825.46951
##2010-01-1125.14553
tail（MSFT）
##MSFT.OpenMSFT.HighMSFT.LowMSFT.CloseMSFT.Volume
##2016-01-1252.7653.1052.0652.7836095500
##2016-01-1353.8054.0751.3051.6466883600
##2016-01-1452.0053.4251.5753.1152381900
##2016-01-1551.3151.9750.3450.9970739100
##2016-01-1951.4851.6850.0650.5643564500
##2016-01-2049.9851.3849.1050.7963273000
##MSFT.Adjusted
##2016-01-1251.37038
##2016-01-1350.26083
##2016-01-1451.69157
##2016-01-1549.62819
##2016-01-1949.20968
##2016-01-2049.43353
#e.Plotgraphforstockprice5
plot（MSFT）
##Warninginplot.xts（MSFT）:
onlytheunivariateserieswillbeplotted
#f.CalculatelogreturnsforAdjustedSeriesandPlotsimpletimeseriesgraphforreturns5
n<-length（MSFT[,4]）;
lrest<-log（as.numeric（MSFT[,4]）[-1]/as.numeric（MSFT[,4]）[-n]）
#g.Plotreturnsdistributiongraph5
hist（lrest,breaks=50,col="green",freq=F）
lines（density（lrest）,col="red"）
#h.Whatdidyoulearnaboutthedatainstep（g）5
#直方图来看,数据为左偏分布
#i.CalculateBasicStatisticsforReturnSeriesandreport5
summary（lrest）
##Min.1stQu.MedianMean3rdQu.Max.
##-0.1210000-0.00766500.00000000.00032570.00817500.0994100
#j.Lookatthebasicstatsandcommentonthevaluesforskewnessandkurtosis5
#
library（fBasics）
##Loadingrequiredpackage:
timeDate
##Loadingrequiredpackage:
timeSeries
##
##Attachingpackage:
'timeSeries'
##Thefollowingobjectismasked_by_'.GlobalEnv':
##
##MSFT
##Thefollowingobjectismaskedfrom'package:
zoo':
##
##time<-
##
##RmetricsPackagefBasics
##AnalysingMarketsandcalculatingBasicStatistics
##Copyright（C）2005-2014RmetricsAssociationZurich
##EducationalSoftwareforFinancialEngineeringandComputationalScience
##RmetricsisfreesoftwareandcomeswithABSOLUTELYNOWARRANTY.
##https:
//www.rmetrics.org---Mailto:
info@rmetrics.org
##
##Attachingpackage:
'fBasics'
##Thefollowingobjectismaskedfrom'package:
TTR':
##
##volatility
datadesc=function（X）{
result=list（0）;#resultlisttoreturn
mean=mean（X）;#mean
var=var（X）#variance,
pearsonskew=3*（mean（X）-median（X））/sd（X）#Pearsoncoefficientofskewness
kurt=kurtosis（X）#kurtosis,
quantile1=quantile（X,probs=0.25）#firstquartile,
med=median（X）#median,
quantile3=quantile（X,probs=0.25）#thirdquartile,
max=max（X）#minimumand
min=min（X）#maximum.
result=list（
mean=mean,
variance=var,
skewness=pearsonskew,
kurtosis=kurt,
"firstquartile"=quantile1,
median=med,
"thirdquartile"=quantile3,
"maximum"=max,
minimum=min
）
return（result）
}
datadesc（lrest）
##$mean
##[1]0.0003256584
##
##$variance
##[1]0.0002164387
##
##$skewness
##[1]0.06640734
##
##$kurtosis
##[1]7.519028
##attr（,"method"）
##[1]"excess"
##
##$`firstquartile`
##25%
##-0.007664925
##
##$median
##[1]0
##
##$`thirdquartile`
##25%
##-0.007664925
##
##$maximum
##[1]0.09941299
##
##$minimum
##[1]-0.1210332
#从峰度和偏度的值来看，由于偏度大于零，因此数据成右偏分布。
峰度大于0，说明它是比正态分布要陡峭
#k.SetupHypothesisfortestingmean,skewnessandkurtosis5
#H0:
Ifvaluesofmean,skewnessandkurtosisisclosetozero,thendatasetisnormallydistributed.
#l.TesttheHypothesisusingtestslearnedinclass（i-individualtests;andii-combinedtest–JB;
#reportyourtestresultswithp-valuesandwhetheryourejectoracceptH0）5
#i-individualtests;
#Shapiro-Wilk
shapiro.test（lrest）
##
##Shapiro-Wilknormalitytest
##
##data:
lrest
##W=0.93798,p-value<2.2e-16
#ii-combinedtest–JB
tseries:
:
jarque.bera.test（lrest）
##
##JarqueBeraTest
##
##data:
lrest
##X-squared=3599.1,df=2,p-value<2.2e-16
##从结果来看,由于p小于0.05,因此可以拒绝原假设H0
#m.Commentaboutdatapropertiesbasedonthesetests:
#从正态分布的Shapiro-Wilk检验和jarque-Bera正态性检验的结果来看，有p小于0.05，因此可以拒绝对数收益率符合正态分布的假设，可以认为收益率，不是正态分布
#i.Thedifferencebetweenstep（g）vsstep（j）5
#从密度直方图的结果只能从直觉上判断数据是否符合正态分布，而通过峰度和偏度来判断，更加精确，可以从数字的角度来判断数据是否呈现偏正态分布。
#ii.whyjointtestsisbetterthanindividual
#Ajointhypothesistestsmorethanoneconditionsimultaneously
#7.Downloadthesp500datausingSymbol‘^GSPC’fromJan3,2011toJan20,2016（50pts）
#a.Carryoutinitialsteps,suchascalculatelogreturns,drawtimeplot,distributiongraph,
#calculatereturns,basicstatandemployrelatedtests25
getSymbols（'GSPC',from="2011-01-03",to="2016-01-20"）
##[1]"GSPC"
head（GSPC）
##GSPC.OpenGSPC.HighGSPC.LowGSPC.CloseGSPC.Volume
##2011-01-0322.6022.60022.470822.49006600
##2011-01-0422.5922.59022.450022.47525100
##2011-01-0522.6122.76022.610022.710015000
##2011-01-0622.7622.93922.710022.760015900
##2011-01-0722.9322.93022.790022.92007100
##2011-01-1022.8122.97022.800022.970021500
##GSPC.Adjusted
##2011-01-0316.9375
##2011-01-0416.9264
##2011-01-0517.1032
##2011-01-0617.1409
##2011-01-0717.2614
##2011-01-1017.2990
tail（GSPC）
##GSPC.OpenGSPC.HighGSPC.LowGSPC.CloseGSPC.Volume
##2016-01-1221.4021.4121.340021.40006900
##2016-01-1321.4021.4221.300021.400011900
##2016-01-1421.4421.4421.220121.350011800
##2016-01-1521.3021.3021.050021.224511100
##2016-01-1921.3821.4021.050021.26598100
##2016-01-2021.2521.2721.074621.270023000
##GSPC.Adjusted
##2016-01-1220.4356
##2016-01-1320.4356
##2016-01-1420.3878
##2016-01-1520.2680
##2016-01-1920.3075
##2016-01-2020.3114
plot（GSPC）
##Warninginplot.xts（GSPC）:
onlytheunivariateserieswillbeplotted
n<-length（GSPC[,4]）;
lrest<-log（as.numeric（GSPC[,4]）[-1]/as.numeric（GSPC[,4]）[-n]）
hist（lrest,breaks=50,col="green",freq=F）
lines（density（lrest）,col="red"）
datadesc（lrest）
##$mean
##[1]-4.395046e-05
##
##$variance
##[1]6.726461e-05
##
##$skewness
##[1]-0.0160765
##
##$kurtosis
##[1]5.903059
##attr（,"method"）
##[1]"excess"
##
##$`firstquartile`
##25%
##-0.003570522
##
##$median
##[1]0
##
##$`thirdquartile`
##25%
##-0.003570522
##
##$maximum
##[1]0.04301739
##
##$minimum
##[1]-0.05164179
#Shapiro-Wilk
shapiro.test（lrest）
##
##Shapiro-Wilknormalitytest
##
##data:
lrest
##W=0.92202,p-value<2.2e-16
#ii-combinedtest–JB
tseries:
:
jarque.bera.test（lrest）
##
##JarqueBeraTest
##
##data:
lrest
##X-squared=1866.5,df=2,p-value<2.2e-16
#b.Whatdidyoulearnaboutthedatapropertiesinstep（a）5
#从描述统计量的结果来看，数据为左偏分布，从假设检验的结果来，由于p小于0.05，因此拒绝原假设，可以认为数据不符合正态分布
#c.Plotpacf,acf,alsochecktheorderofthemodelusing‘ar’commandinR
#WhichARmodelissuggested5
acf（lrest）
pacf（lrest）
ar（lrest）
##
##Call:
##ar（x=lrest）
##
##Coefficients:
##12345678
##-0.00600.05490.01320.0118-0.02370.04960.03420.0983
##910
##-0.04110.0416
##
##Orderselected10sigma^2estimatedas6.625e-05
#d.EstimatebothAR
（1）andAR
（2）modelforreturnstoSP500index
#andcommentonsignificanceofparameters5
fit=ar（lrest,FALSE,1）#fitar
（1）
fit
##
##Call:
##ar（x=lrest,aic=FALSE,order.max=1）
##
##Coefficients:
##1
##-0.0084
##
##Orderselected1sigma^2estimatedas6.731e-05
（1-pnorm（abs（fit$ar）/sqrt（diag（fit$asy.var.coef））））*2
##[1]0.7640941
fit=ar（lrest,FALSE,2）#fitar
（2）
fit
##
##Call:
##ar（x=lrest,aic=FALSE,order.max=2）
##
##Coefficients:
##12
##-0.00790.0649
##
##Orderselected2sigma^2estimatedas6.708e-05
（1-pnorm（abs（fit$ar）/sqrt（diag（fit$asy.var.coef））））*2
##[1]0.778622760.02073683
#从结果来,ar2模型的系数显著性相对ar1更强
#e.Checkandreportiftheresidualsformodelsestimatedinpart（d）arewhitenoiseornot5
fit=ar（lrest,FALSE,1）#fitar
（1）
fit
##
##Call:
##ar（x=lrest,aic=FAL
升级会员 