时间序列基本操作.docx

时间序列基本操作.docx

《时间序列基本操作.docx》由会员分享，可在线阅读，更多相关《时间序列基本操作.docx（25页珍藏版）》请在冰豆网上搜索。

时间序列基本操作

一.建立时间序列对象，表达时间序列数据

1zoo包和xts包，xts包是zoo包的超子集

2R的基础包里有ts对象，应用受限过多，一般不使用。

3日期和日期时刻（Date和Datetime）

日期可以表达（每）日数据，也可以表达（每）周，月，年数据

日期时刻可以表达日内数据

可以自由使用时间戳记（timestamps）用于解决日历日期（calendardata）

4创建时间序列对象

> library（zoo）

> ts<-zoo（x,dt）

或者

> library（xts）

> ts<-xts（x,dt）

dt是一个对应日期或日期时刻的向量，x是一个向量或数据框。

可以使用as.实现对象的转换。

R至少有8种表达时间序列的不同结构。

5dt可被称作指标（index）

zoo包中指标可以是任何有序值，如Date对象，POSIXct对象，整数甚至是浮点值。

xts包中的指标必须是一个可以支持日期或时间的类。

Date对象，POSIXct对象，chron对象，

还可以采用yearmonyearqtrdateTime对象。

例

> prices<-c（132.45,130.85,130.00,129.55,130.85）

> dates<-as.Date（c（"2010-01-04","2010-01-05","2010-01-06",

+ "2010-01-07","2010-01-08"））

> ibm.daily<-zoo（prices,dates）

> print（ibm.daily）

2010-01-042010-01-052010-01-062010-01-072010-01-08

132.45130.85130.00129.55130.85

例以秒为时间单位（1second≈0.00027778hours）

> prices<-c（131.18,131.20,131.17,131.15,131.17）

> seconds<-c（9.5,9.500278,9.500556,9.500833,9.501111）

> ibm.sec<-zoo（prices,seconds）

> print（ibm.sec）

9.59.50039.50069.50089.5011

131.18131.20131.17131.15131.17

也可以把多个时间序列置于一个数据框，建立多元时间序列。

6对zoo和xts对象可以采用coredata来提取纯数据

> coredata（ibm.daily）

[1]132.45130.85130.000.00129.55

可以使用index提取时间

> index（ibm.daily）

[1]"2010-01-04""2010-01-05""2010-01-06""2010-01-07""2010-01-08"

7也可以参考Rmetrics的timeSeries包

二、作图

1．plot（x）可以处理一个或多个zoo和xts对象

对单个时间序列对象v可以使用plot（v,type="l"）或plot.ts（v）.

例

xlab="Date"

ylab="RelativePrice"

main="IBM:

Historicalvs.Inflation-Adjusted"

lty=c（"dotted","solid"）

ylim=range（coredata（ibm.infl））

#Plotthetwotimeseriesintwoplots

plot（ibm.infl,screens=c（1,2）,lty=lty,main=main,xlab=xlab,ylab=ylab,ylim=ylim）

#Plotthetwotimeseriesinoneplot

以及

plot（ibm.infl,screens=1,lty=lty,main=main,xlab=xlab,ylab=ylab）

#Addalegend

legend（as.Date（"1970-01-01"）,140,

c（"Hist","Infl-Adj"）,

lty=c（"dotted","solid"））

例中的数据是一个二元时间序列，一个显示IBM在1970年代的报价，一个是对应的经过通胀调整的价格。

2quantmod包里也有很多绘图的函数。

三、时间序列操作

1.提取最新和最老的观测

（1）最老的观测head（）

最新的观测tail（）

head（ibm）

1970-01-021970-01-051970-01-061970-01-071970-01-081970-01-09

364.75368.25368.50368.75369.50369.00

> tail（ibm）

1979-12-211979-12-241979-12-261979-12-271979-12-281979-12-31

64.0064.8764.8764.7564.2564.37

可以设置第2个参数显示更多 tail（ibm,20） 

（2）xts包的first和last函数，使用日期来替代观测的序号。

> first（as.xts（ibm）,"3weeks"）

[,1]

1970-01-02364.75

1970-01-05368.25

1970-01-06368.50

1970-01-07368.75

1970-01-08369.50

1970-01-09369.00

1970-01-12367.75

1970-01-13374.13

1970-01-14373.75

1970-01-15381.50

1970-01-16369.75

> last（as.xts（ibm）,"month"）

[,1]

1979-12-0365.00

1979-12-0465.37

1979-12-0565.75

.

. （etc.）

.

1979-12-2764.75

1979-12-2864.25

1979-12-3164.37

2.创建时间序列的子集（很繁琐的一个东西）

ts[i]:

从单一个时间序列提取第i个观测

ts[j,i]:

从第j个时间序列提取第i个观测

可以通过一个数据对象来指示时间序列，要使用和你的时间序列指标同样的类型的对象

> ts[as.Date（"yyyy-mm-dd "）]

也可以通过一个日期序列指示它 

>dates<-seq（startdate , enddate, increment ）

>ts[dates]

window函数可以通过开始和结束的日期选择一个范围

>window（ts,start=startdate ,end=enddate）

这个函数用来选择一个连续日期范围是更容易的

window（ibm.daily,start=as.Date（'2010-01-05'）,end=as.Date（'2010-01-07'））

2010-01-052010-01-062010-01-07

130.85130.00129.55

有时候通过日期来进行选择是更有用的，我们的指标由Date对象建立，所以可以使用一个Date对象标记时间序列的下标（如果指标是建立于POSIXct对象，也可用一个POSIXct对象）

ibm.daily[as.Date（'2010-01-05'）]

2010-01-05

130.85

也可以通过来自Date对象的一个向量进行选择

window（ibm.daily,start=as.Date（'2010-01-05'）,end=as.Date（'2010-01-07'））

2010-01-052010-01-062010-01-07

130.85130.00129.55

3.合并时间序列

（1）使用zoo对象，用merge函数合并它们

> merge（ts1,ts2）

当两个时间序列有不同的时间戳记的时候，merge函数调和了不同日期数据的混乱细节

例 

> ibm

1970-01-021970-01-051970-01-061970-01-071970-01-081970-01-091970-01-12

364.75368.25368.50368.75369.50369.00367.75

.

. （etc.）

.

1979-12-211979-12-241979-12-261979-12-271979-12-281979-12-31

64.0064.8764.8764.7564.2564.37

> cpi

1970-01-011970-02-011970-03-011970-04-011970-05-011970-06-011970-07-01

37.838.038.238.538.638.839.0

.

. （etc.）

.

1979-05-011979-06-011979-07-011979-08-011979-09-011979-10-011979-11-01

71.572.373.173.874.675.275.9

1979-12-01

76.7

> merge（ibm,cpi）

ibmcpi

1970-01-01NA37.8

1970-01-02364.75NA

1970-01-05368.25NA

1970-01-06368.50NA

1970-01-07368.75NA

1970-01-08369.50NA

.

. （etc.）

.

默认的，merge寻找所有数据的单位（union）：

输出包括所有来自输入的数据，缺失的观测用NA值填上

（2）利用zoo包的na.locg函数，可以把这些NA用最近的观测代替。

> na.locf（merge（ibm,cpi）））

ibmcpi

1970-01-02364.7537.8

1970-01-05368.2537.8

1970-01-06368.5037.8

1970-01-07368.7537.8

1970-01-08369.5037.8

1970-01-09369.0037.8

.

. （etc.）

.

locf代表继承的最后观测，注意它排除了第一个观测，因为那天没有IBM股价

可以通过设定all=FALSE来交叉所有的数据。

> merge（ibm,cpi,all=FALSE）

ibmcpi

1970-04-01337.7538.5

1970-05-01296.7538.6

1970-06-01287.0038.8

1970-07-01254.0039.0

1970-09-01263.8839.2

1970-10-01297.0039.4

.

. （etc.）

.

注意交叉始于4月1日因为当年前3月的1日都是假期。

4.填充一个时间序列

用缺失的数据和时间创建一个0宽度对象（zoo包），然后把它和要填充的时间序列合并

> empty<-zoo（,dates ） #'dates'isvectorofthemissingdates

> merge（ts,empty,all=TRUE）

这个对象不包括数据，只有日期，可以用来填满其他的时间序列。

例

> cpi

1970-01-011970-02-011970-03-011970-04-011970-05-011970-06-01

37.838.038.238.538.638.8

.

. （etc.）

.

1979-07-011979-08-011979-09-011979-10-011979-11-011979-12-01

73.173.874.675.275.976.7

创建0宽度对象

> dates<-seq（from=as.Date（"1970-01-01"）,to=as.Date（"1979-12-31"）,by=1）

> empty<-zoo（,dates）

合并

> filled.cpi<-merge（cpi,empty,all=TRUE）

> filled.cpi

1970-01-011970-01-021970-01-031970-01-041970-01-051970-01-061970-01-07

37.8NANANANANANA

1970-01-081970-01-091970-01-101970-01-111970-01-121970-01-131970-01-14

NANANANANANANA

1970-01-151970-01-161970-01-171970-01-181970-01-191970-01-201970-01-21

NANANANANANANA

1970-01-221970-01-231970-01-241970-01-251970-01-261970-01-271970-01-28

NANANANANANANA

1970-01-291970-01-301970-01-311970-02-011970-02-021970-02-031970-02-04

NANANA38.0NANANA

.

.

用最接近的的观测值替代NA

> filled.cpi<-na.locf（merge（cpi,empty,all=TRUE））

> filled.cpi

1970-01-011970-01-021970-01-031970-01-041970-01-051970-01-061970-01-07

37.837.837.837.837.837.837.8

1970-01-081970-01-091970-01-101970-01-111970-01-121970-01-131970-01-14

37.837.837.837.837.837.837.8

1970-01-151970-01-161970-01-171970-01-181970-01-191970-01-201970-01-21

37.837.837.837.837.837.837.8

1970-01-221970-01-231970-01-241970-01-251970-01-261970-01-271970-01-28

37.837.837.837.837.837.837.8

1970-01-291970-01-301970-01-311970-02-011970-02-021970-02-031970-02-04

37.837.837.838.038.038.038.0

.

. （etc.）

四、时间序列的运算

1.滞后一个时间序列数据（lagging）

向前或向后转换时间序列的时间。

> lag（ts,k）

k正的k值可以把数据向前移（明天的数据变成今天的）负值可以把数据向后移。

例

> ibm.daily

2010-01-042010-01-052010-01-062010-01-072010-01-08

132.45130.85130.00129.55130.85

> lag（ibm.daily,k=+1,na.pad=TRUE）

2010-01-042010-01-052010-01-062010-01-072010-01-08

130.85130.00129.55130.85NA

> lag（ibm.daily,k=-1,na.pad=TRUE）

2010-01-042010-01-052010-01-062010-01-072010-01-08

NA132.45130.85130.00129.55

2.计算连续差分（successivedifferences）

两个连续观测的差分

diff（x）

差分适用于向量和zoo对象。

对一个zoo对象，差分的结果仍然是zoo对象，并且仍有正确的日期

例 

> ibm.daily

2010-01-042010-01-052010-01-062010-01-072010-01-08

132.45130.85130.00129.55130.85

> diff（ibm.daily）

2010-01-052010-01-062010-01-072010-01-08

-1.60-0.85-0.451.30

可以通过lag参数，计算更宽空间的差分。

例

> head（cpi,24）

1970-01-011970-02-011970-03-011970-04-011970-05-011970-06-011970-07-01

37.838.038.238.538.638.839.0

1970-08-011970-09-011970-10-011970-11-011970-12-011971-01-011971-02-01

39.039.239.439.639.839.839.9

1971-03-011971-04-011971-05-011971-06-011971-07-011971-08-011971-09-01

40.040.140.340.640.740.840.8

1971-10-011971-11-011971-12-01

40.940.941.1

> diff（cpi,lag=12） #Computeyear-over-yearchange

1971-01-011971-02-011971-03-011971-04-011971-05-011971-06-011971-07-01

2.01.91.81.61.71.81.7

1971-08-011971-09-011971-10-011971-11-011971-12-011972-01-011972-02-01

1.81.61.51.31.31.31.4

.

. （etc.）

3.在时间序列上运用计算

可以使用算术运算符和常用函数

例

计算ibm股价上的百分比改变，利用价格除以每日的变化

他们有不同的开始时间和不同的长度，但是R会对齐序列返回一个zoo对象

> ibm.daily

2010-01-042010-01-052010-01-062010-01-072010-01-08

132.45130.85130.00129.55130.85

> diff（ibm.daily）

2010-01-052010-01-062010-01-072010-01-08

-1.60-0.85-0.451.30

> diff（ibm.daily）/ibm.daily

2010-01-052010-01-062010-01-072010-01-08

-0.012227742-0.006538462-0.0034735620.009935040

注意日期的变化 

计算对数的价格差分

> diff（log（ibm.daily））

2010-01-052010-01-062010-01-072010-01-08

-0.012153587-0.006517179-0.0034675430.009984722

4.通过日历周期来运用函数（ApplyingaFunctionbyCalendarPeriod）

利用周月年等来组织内容，并对每个组来运用函数。

xts包提供了有关函数

> apply.daily（ts , f）

> apply.weekly（ts , f）

> apply.monthly（ts , f）

> apply.quarterly（ts , f）

> apply.yearly（ts , f）

或

> apply.monthly（as.xts（ts ）, f）

ts是xts时间序列，而f是运用到每天，周月季年的函数

例

设有一个5年的ibm历史数据，存在zoo对象中

> head（ibm）

1970-01-021970-01-051970-01-061970-01-071970-01-081970-01-09

364.75368.25368.50368.75369.50369.00

可以计算平均价格

> apply.monthly（as.xts（ibm）,mean）

[,1]

1970-01-30359.8843

1970-02-27346.8684

1970-03-31327.4348

.

. （etc.）

.

1974-10-31176.4791

1974-11-29181.0570

1974-12-31167.9233

其中首先要把zoo对象转换为xts对象

例

计算波动性

apply.monthly（as.xts（diff（log（ibm）））,sd）这是按月的结果

以天数为倍数估计年化波动性

sqrt（251）*apply.monthly（as.xts（diff（log（ibm）））,sd）

图示

> plot（sqrt（251）*apply.monthly（as.xts（diff（log（ibm）））,sd）,

+ main="IBM:

MonthlyVolatility",

+ ylab="Stddev,annualized"）

5.运用滚动函数

将一个函数以，以某种滚动方式运用到时间序列上：

计算一个数据点的函数值，然后移到下一个点，

在那个点计算函数，再移到下一个点。

>library（zoo）

>rollapply（ts , width, f）

时间戳的选择：

align=“right” 来避免让f来计算那些没有包含在时间序列中的历史数据。

>rollapply（ts , width, f,align="right"）

align=“right”时间戳取自最右边的值

align=“left”时间戳取自最左边的值

 默认的align=“center”

by=n参数

不是连续计算，是跳跃计算，by值等于窗宽。

例 

计算滚动的标准差

> sds<-rollapply（ts,30,sd,by=30,align="right"）

rollapply输出会比输入短，可以设置na.pad