对于时间序列分析，有两种数据格式： ts （时间序列）和 xts （可扩展时间序列）。
前者不需要时间戳，可以直接从向量转换。后者非常重视日期和时间，因此只能使用日期和/或时间列来定义。我们涵盖了基本的时间序列模型，即 ARMA、GARCH 和 VAR。
可下载资源
时间序列数据
函数 ts 将任何向量转换为时间序列数据。
1、ts
ts是R语言内置的类，用于表示规则的一元时间序列对象。什么是规则的时间序列呢？可以这样定义：随时间变化，按照相等的时间区间（如年月日）记录的有序观测序列。一个ts对象由两部分组成，序列值和对应的时间索引。时间索引提供了每个观测记录在序列中的时间，也叫做时间戳。
ts对象是一个二维的数据集（时间索引和序列观测），但是ts的时间索引是嵌入到对象本身的（我们将这种索引称为隐式的索引），因此它的序列值就是一个向量，并不具有R中大多数规则表格（如矩阵、数据框）的属性。比如，ts具有length属性，不具备dim属性。TSstudio包的ts_info函数提供了对时间序列对象属性的一些汇总。下面，我们通过一个例子来说明ts对象的一些特点。
2、xts
在ts类之后，R语言中又出现了更复杂的时间序列类zoo（来自zoo包）以及作为zoo类扩展的xts类（来自xts包）。这两个时间序列类可以处理规则和不规则的时间序列数据，它们的索引格式也更加灵活，可以存储更多的时间和日期对象，如Date、POSIXct/lt、yearmon和yearqrt。
xts类是zoo类的扩展，是具有更多属性的zoo对象。也就是说，zoo对象具有的属性xts对象都具有，zoo包的函数也可以对xts对象进行运用。关于zoo对象就不再讨论，只提一点：zoo包的rollapply函数是对时间序列进行滚动计算的一个常用方法。
3、tsibble
tsibble包的主要功能是将tidyverse的应用扩展到时态数据上（包括时间序列数据和纵向数据）。tsibble包提供的时间序列类tsibble建立在整洁的数据框tibble的基础上，是一个面向数据和模型的对象类。与上面介绍的ts和xts相比，tsibble在保留时间索引的同时，引入了异质的数据结构。tsibble的另一个特点是引入了由单个或多个变量组成的键（key）来唯一地识别随时间索引变化的观测单位。tsibble包还提供了流畅的工作流用于分析时态数据。
tsibble中采用的”整洁数据”具有如下原则：
1、索引（index）是一个变量，标示了时间变化的内在顺序
2、键（key）是一组变量，它们定义了随时间变化的观测单元
3、每个观测应该是通过索引和键进行唯一识别
4、如果间隔是有规律的，每个观测单元应该用一个共同的区间进行测量。
price
我们首先为估计定义一个时间序列（ts）对象。请注意， ts 与 xts类似， 但没有日期和时间。
df <- ts(df) df
可扩展的时间序列数据xts
要处理高频数据（分秒），我们需要包 xts。该包定义可扩展时间序列 ( xts ) 对象。
以下代码安装并加载 xts 包。
library(xts)
考虑我们的可扩展时间序列的以下数据
date time price
现在我们准备定义 xts 对象。代码 as.POSIXct() 将字符串转换为带有分钟和秒的日期格式。
df <-data.frame df$daime <-paste df$dttime <-as.POSIXct df <- xts
对于仅使用日期的转换，我们使用 POSIXlt() 而不是 POSIXct()。
df$date <- as.POSIXct df$price <-as.numeric price <-xts
自回归移动平均模型arima
可以使用 arima() 函数估计自回归移动平均模型。
以下代码估计了一个 AR(1) 模型：
AR1
以下代码估计了一个 AR(2) 模型：
AR2 <- arima AR2
以下代码估计一个 MA(1) 模型：
MA1 <- arima MA1
以下代码估计一个 MA(2) 模型：
MA2 <- arima
以下代码估计了一个 ARMA(1,1) 模型：
ARMA11 <- arima
有时，我们只想保留系数。
coef #得到系数
以下代码显示了残差图。
plot
随时关注您喜欢的主题
R 有一个方便的函数来 autofit() 拟合ARIMA 模型的参数。
现在寻找最好的 ARIMA 模型了。
autoarma
时间序列模型的一项重要功能是预测。以下代码给出了两步的预测：
teFoast <-predict
下面显示了预测图。
plot.ts#可视化预测
ARCH 和 GARCH模型
要估计 ARCH 和 GARCH 模型，我们需要安装和加载包 garch。
我们将在生成随机数时使用 ARMA(1,1) 估计 GARCH(1,1)
a <- runif #随机数 Spec <-ugarchspec
为了获得 GARCH 模型的具体结果，我们使用以下代码：
以下数据将用于估计 VAR 模型。
coffnt <-coef voy <- sigma logr.vrae <- uncvariance
VAR模型
要估计 VAR 模型，我们需要安装和加载 vars 。
以下代码估计 VAR(2) 模型。
abr<-VAR #运行 VAR(2) coef #VAR的系数公式
summary #VAR的摘要
要生成系数图，我们需要安装并加载包：
以下代码为 VAR 模型生成系数图：
plot
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
MATLAB深度学习Transformer神经网络量化金融时间序列预测交易策略回测
MATLAB图注意力网络GAT多标签图分类预测可视化
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
Python注意力机制Attention下CNN-LSTM-ARIMA混合模型预测中国银行股票价格|附数据代码
