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
在当今这个数据驱动的时代,几乎每一个业务决策都离不开对数据的深入分析。而其中,指标波动归因分析更是至关重要的一环。无论是 ...
2025-02-18当数据开始说谎:那些年我们交过的学费 你有没有经历过这样的场景?熬了三个通宵做的数据分析报告,在会议上被老板一句"这数据靠 ...
2025-02-17数据分析作为一门跨学科领域,融合了统计学、编程、业务理解和可视化技术。无论是初学者还是有一定经验的从业者,系统化的学习路 ...
2025-02-17挖掘用户价值本质是让企业从‘赚今天的钱’升级为‘赚未来的钱’,同时让用户从‘被推销’变为‘被满足’。询问deepseek关于挖 ...
2025-02-17近来deepseek爆火,看看deepseek能否帮我们快速实现数据看板实时更新。 可以看出这对不知道怎么动手的小白来说是相当友好的, ...
2025-02-14一秒精通 Deepseek,不用找教程,不用买资料,更不用报一堆垃圾课程,所有这么去做的,都是舍近求远,因为你忽略了 deepseek 的 ...
2025-02-12自学 Python 的关键在于高效规划 + 实践驱动。以下是一份适合零基础快速入门的自学路径,结合资源推荐和实用技巧: 一、快速入 ...
2025-02-12“我们的利润率上升了,但销售额却没变,这是为什么?” “某个业务的市场份额在下滑,到底是什么原因?” “公司整体业绩 ...
2025-02-08活动介绍 为了助力大家在数据分析领域不断精进技能,我们特别举办本期打卡活动。在这里,你可以充分利用碎片化时间在线学习,让 ...
2025-02-071、闺女,醒醒,媒人把相亲的带来了。 我。。。。。。。 2、前年春节相亲相了40个, 去年春节相亲50个, 祖宗,今年你想相多少个 ...
2025-02-06在数据科学的广阔领域中,统计分析与数据挖掘占据了重要位置。尽管它们常常被视为有关联的领域,但两者在理论基础、目标、方法及 ...
2025-02-05在数据分析的世界里,“对比”是一种简单且有效的方法。这就像两个女孩子穿同一款式的衣服,效果不一样。 很多人都听过“货比三 ...
2025-02-05当我们只有非常少量的已标记数据,同时有大量未标记数据点时,可以使用半监督学习算法来处理。在sklearn中,基于图算法的半监督 ...
2025-02-05考虑一种棘手的情况:训练数据中大部分样本没有标签。此时,我们可以考虑使用半监督学习方法来处理。半监督学习能够利用这些额 ...
2025-02-04一、数学函数 1、取整 =INT(数字) 2、求余数 =MOD(除数,被除数) 3、四舍五入 =ROUND(数字,保留小数位数) 4、取绝对值 =AB ...
2025-02-03作者:CDA持证人 余治国 一般各平台出薪资报告,都会哀嚎遍野。举个例子,去年某招聘平台发布《中国女性职场现状调查报告》, ...
2025-02-02真正的数据分析大神是什么样的呢?有人认为他们能轻松驾驭各种分析工具,能够从海量数据中找到潜在关联,或者一眼识别报告中的数 ...
2025-02-01现今社会,“转行”似乎成无数职场人无法回避的话题。但行业就像座围城:外行人看光鲜,内行人看心酸。数据分析这个行业,近几年 ...
2025-01-31本人基本情况: 学校及专业:厦门大学经济学院应用统计 实习经历:快手数据分析、字节数据分析、百度数据分析 Offer情况:北京 ...
2025-01-3001专家简介 徐杨老师,CDA数据科学研究院教研副总监,主要负责CDA认证项目以及机器学习/人工智能类课程的研发与授课,负责过中 ...
2025-01-29