
R语言建立时间序列的两个函数
金融数据必须是时间序列,才可进行经济统计分析。建立时间序列,必须有日期作为数据框的一列。R语言建立时间序列的两个函数是ts()和as.xts()。
1.ts()
library(stats) #stats软件包是R语言环境启动的7个软件包
ts(gm,frequency=12,start=c(1975,1))
这个命令表示:
(1) frequency=12表明时间单位为年,而且在每一个时间单位中有12个均匀间隔的观察值。
因此gm是月数据,在金融数据中,常用的有月收益率数据。
(2) start=c(1975,1)表示开始时间为1975年1月。
(3) gm应是列数据,而不能是多列金融数据。而且gm在数据框中选择出来时,应有日期在同一个数据框中。
frequency和start是R中ts()函数产生时间序列对象需要的两个基本参数。frequency的用法,
(a)frequency=4表明时间单位是年,每一个时间单位中有4个季节观察值。
(b)frequency=365表明时间单位是年,每一个时间单位中有365个日期观察值。
若样本容量T<365,则可用frequency=T表示。
start的用法。
(a)若ts(gm,frequency=365,start=c(2014,1,1))建立时间序列。
但是,若用 ts(gm,frequency=365,start=c(2014,1,1),end(2014,12,31))结果将不同。
(b)若用ts(gm,frequency=1,start=c(2014,1,1))则,创建的时间序列start和end不同,将1年的时间单位用1天表示。
这个用法一般是gm只有一年的数据,对此年的数据进行以天为单位的经济统计。
然而金融数据大多数并不是以365个数据为一年的数据,比如股市一年的有效数据一般在240多天,因此frequence的选择应该与一年的实际数据为准。
完整的函数表示:
ts(data = NA, start = 1, end = numeric(0), frequency = 1, deltat = 1,
ts.eps = getOption("ts.eps"), class = , names = )
详细信息可见R语言系统
>?ts
e.g. 参数class
|
class to be given to the result, or none ifNULLor"none". The default is"ts"for a single series,c("mts", "ts", "matrix")for multiple series. |
2.as.xts()
as.xts()与ts()不同,要求行名是日期。因此数据框中的日期必须赋值到行名,
而且删除日期所在的列。
eg1. as.xts()建立时间序列的主要命令
da=read.table("m-gm3dxjsh2016.txt",header=T)
gm2016=da[,1:2] #da[1]是日期,da[2]是金融数据
rownames(gm2016)=gm2016[,1] #将日期赋值到行名,注意不能用gm2016[1],否则长度不同
gm=gm2016[-1] # 去掉第一列
gm1=as.xts(gm[,1]) # 建立金融数据的时间序列,实际上这个语句并能运行,原因见eg2.
将日期赋值到行名的编程方法有很多,第二个程序的数据文件不同。
eg2.as.xts()建立时间序列的完整程序
> da=read.table("D:/programsdata/financialCapital/m-gm3dx2016.txt",head=T)
>head(da)
date gm vw ew sp
1 19750131 0.252033 0.141600 0.299260 0.122812
2 19750228 0.028571 0.058411 0.053918 0.059886
3 19750331 0.054487 0.030191 0.081497 0.021694
4 19750430 0.045593 0.046497 0.031093 0.047265
5 19750530 0.037209 0.055140 0.072876 0.044101
6 19750630 0.107955 0.051473 0.071792 0.044323
>gm2016=da[,1:2] #gm2016是数据框
>head(gm2016)
date gm
1 19750131 0.252033
2 19750228 0.028571
3 19750331 0.054487
4 19750430 0.045593
5 19750530 0.037209
6 19750630 0.107955
> dim(gm2016)
[1] 408 2
> str(gm2016) #成员date是int型
'data.frame': 408 obs. of 2 variables:
$ date: int 19750131 19750228 19750331 19750430 19750530 19750630 19750731 19750829 19750930 19751031 ...
$ gm : num 0.252 0.0286 0.0545 0.0456 0.0372 ...
> d=as.character(gm2016[,1]) #将int型日期转换成Date型
> d1=as.Date(d,format="%Y%m%d")
> head(d1)
[1] "1975-01-31" "1975-02-28" "1975-03-31" "1975-04-30" "1975-05-30"
[6] "1975-06-30"
> class(d1)
[1] "Date"
> gm=gm2016[,2,drop=FALSE] #获得数据框gm2016的第二列,drop=FALSE防止出现向量
> class(gm) #gm是数据框
[1] "data.frame"
> head(gm)
gm
1 0.252033
2 0.028571
3 0.054487
4 0.045593
5 0.037209
6 0.107955
> str(gm) #成员gm的类型是num数值型
'data.frame': 408 obs. of 1 variable:
$ gm: num 0.252 0.0286 0.0545 0.0456 0.0372 ...
> rownames(gm)=d1 #gm的行名是R语言标准时间表示
> head(gm)
gm
1975-01-31 0.252033 #注意19750131是不允许的
1975-02-28 0.028571
1975-03-31 0.054487
1975-04-30 0.045593
1975-05-30 0.037209
1975-06-30 0.107955
>library(xts)
>gm2=as.xts(gm)
比较
ts()和as.xts()两个函数产生的时间序列的plot图略有不同。然而acf图和pacf图则相同。
nm1=as.xts(data1)
nm2=ts(data1,frequency=365,start=c(2014,1,1),end=c(2014,12,31))
acf(nm1,lag=20)
pacf(nm1,lag=20)
acf(nm2,lag=20)
pacf(nm2,lag=20)
plot(nm1)
plot(nm2)
图1 acf和pacf图
图2 两个函数产生的时间序列的plot图
可以看到plot图中,ts()产生的时间序列更为精细,而as.xts()的时间序列则略微粗糙。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
剖析 CDA 数据分析师考试题型:解锁高效备考与答题策略 CDA(Certified Data Analyst)数据分析师考试作为衡量数据专业能力的 ...
2025-07-04SQL Server 字符串截取转日期:解锁数据处理的关键技能 在数据处理与分析工作中,数据格式的规范性是保证后续分析准确性的基础 ...
2025-07-04CDA 数据分析师视角:从数据迷雾中探寻商业真相 在数字化浪潮席卷全球的今天,数据已成为企业决策的核心驱动力,CDA(Certifie ...
2025-07-04CDA 数据分析师:开启数据职业发展新征程 在数据成为核心生产要素的今天,数据分析师的职业价值愈发凸显。CDA(Certified D ...
2025-07-03从招聘要求看数据分析师的能力素养与职业发展 在数字化浪潮席卷全球的当下,数据已成为企业的核心资产,数据分析师岗位也随 ...
2025-07-03Power BI 中如何控制过滤器选择项目数并在超限时报错 引言 在使用 Power BI 进行数据可视化和分析的过程中,对过滤器的有 ...
2025-07-03把握 CDA 考试时间,开启数据分析职业之路 在数字化转型的时代浪潮下,数据已成为企业决策的核心驱动力。CDA(Certified Da ...
2025-07-02CDA 证书:银行招聘中的 “黄金通行证” 在金融科技飞速发展的当下,银行正加速向数字化、智能化转型,海量数据成为银行精准 ...
2025-07-02探索最优回归方程:数据背后的精准预测密码 在数据分析和统计学的广阔领域中,回归分析是揭示变量之间关系的重要工具,而回 ...
2025-07-02CDA 数据分析师报考条件全解析:开启数据洞察之旅 在当今数字化浪潮席卷全球的时代,数据已成为企业乃至整个社会发展的核心驱 ...
2025-07-01深入解析 SQL 中 CASE 语句条件的执行顺序 在 SQL 编程领域,CASE语句是实现条件逻辑判断、数据转换与分类的重要工 ...
2025-07-01SPSS 中计算三个变量交集的详细指南 在数据分析领域,挖掘变量之间的潜在关系是获取有价值信息的关键步骤。当我们需要探究 ...
2025-07-01CDA 数据分析师:就业前景广阔的新兴职业 在当今数字化时代,数据已成为企业和组织决策的重要依据。数据分析师作为负责收集 ...
2025-06-30探秘卷积层:为何一个卷积层需要两个卷积核 在深度学习的世界里,卷积神经网络(CNN)凭借其强大的特征提取能力 ...
2025-06-30探索 CDA 数据分析师在线课程:开启数据洞察之旅 在数字化浪潮席卷全球的当下,数据已成为企业决策、创新与发展的核心驱 ...
2025-06-303D VLA新范式!CVPR冠军方案BridgeVLA,真机性能提升32% 编辑:LRST 【新智元导读】中科院自动化所提出BridgeVLA模型,通过将 ...
2025-06-30LSTM 为何会产生误差?深入剖析其背后的原因 在深度学习领域,LSTM(Long Short-Term Memory)网络凭借其独特的记忆单元设 ...
2025-06-27LLM进入拖拽时代!只靠Prompt几秒定制大模型,效率飙升12000倍 【新智元导读】最近,来自NUS、UT Austin等机构的研究人员创新 ...
2025-06-27探秘 z-score:数据分析中的标准化利器 在数据的海洋中,面对形态各异、尺度不同的数据,如何找到一个通用的标准来衡量数据 ...
2025-06-26Excel 中为不同柱形设置独立背景(按数据分区)的方法详解 在数据分析与可视化呈现过程中,Excel 柱形图是展示数据的常用工 ...
2025-06-26