R中针对高频数据的添加包highfrequency，用于组织高频数据， 高频数据的清理、整理，高频数据的汇总 。
使用高频数据建立相关模型 都非常方便。但是其中数据输入的过程中，会使用到包里的函数convert()。该函数支持三类的高频数据：
可下载资源
NYSE TAQ数据库中的.txt文件
WRDS数据库中的.csv文件
Tickdata.com的.asc文件
不易获取，因此，输入数据转换成xts，然后进行时间序列分析的过程中存在困难。
因此对于原始数据，我们可以整理成sample数据的格式，然后使用xts包先将其转换成xts格式。
对于时间序列数据要注意的一点是时间数据不单独作为一列，仅作为行名存在，否则在进行转换的过程中会出现colnames和列的数目不符合的错误。
因此对于数据可以先进行预处理。
对于列数据间分隔建议使用tab制表符，否则在r读取的过程中会将时间的日期时间识别为两列。
sample_tdataraw=read.table("E:\\AA_trades.txt",header=F,skip = 1,stringsAsFactors=FALSE)其中读取时要注意跳过第一行，列名和列数不符的错误。
读取后，对列名赋值
colnames(sample_tdataraw)=c(" ","SYMBOL","EX","PRICE","SIZE","COND","CORR","G127") 然后将第一列的时间数据赋给行名
row.names(sample_tdataraw)=sample_tdataraw[,1] sample_tdataraw=sample_tdataraw[,-1]同时删去第一列。
这样就做好了可以进行转换xts格式的原始数据
library(xts)
Data.xts <- as.xts(sample_tdataraw， descr='my new xts object')这样xts格式的数据便可以继续使用 highfrequency包中的其他函数进行分析了。
等间隔数据、数据同步
波动率预测
HAR-模型
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！
Python生成对抗神经网络GAN预测股票及LSTMs、ARIMA对比分析ETF金融时间序列可视化
Python用CEEMDAN-LSTM-VMD金融股价数据预测及SVR、AR、HAR对比可视化
【专题】2024年先进数据存力白皮书报告汇总PDF洞察（附原数据表）
【专题】2024年金融数字化转型白皮书报告汇总PDF洞察（附原数据表）
