r语言股票均线建模-r语言k线图

2023-06-30 20:12:34 入门知识 0次阅读 投稿:admin
r语言股票均线建模.jpg

关于r语言股票均线建模的问题,我们总结了以下几点,给你解答:

r语言股票均线建模


r语言股票均线建模



R语言可以用来建立股票均线模型。R语言提供了一系列的函数和工具,可以用来计算股票均线指标,如简单移动平均线(SMA)、指数移动平均线(EMA)、加权移动平均线(WMA)和布林线(Bollinger Bands)等。

R语言可以用来计算股票均线指标的变化,以及股票价格的变化,从而建立股票均线模型。R语言还可以用来分析股票均线模型的表现,以及股票价格的变化,从而更好地理解股票市场的运行机制。

r语言k线图


r语言k线图

用auc命令和plot命令来绘制
r语言如何做roc曲线
roc曲线,做分类时经常会用到的一种结果表现方法。诸如此类的工作,首选工具当然是r。在cran上搜了一下,找到一个叫rocr的包。尽管这个包已经很久没更新了,但用起来还是很爽的。先看一下我画的roc曲线。
里面是三份预测结果的roc曲线。
rocr包中主要是两个class:prediction和performance。前者是将预测结果和真实标签组合在一起,生成一个 prediction对象,然后在用performance函数,按照给定的评价方法,生成一个performance对象,最后直接对 performance用plot函数就能绘制出相应的roc曲线。
1
2
3
4
5
6

plot a roc curve for a single prediction run
and color the curve according to cutoff.
data(rocr.simple)
pred lt;- prediction(rocr.simple$predictions, rocr.simple$labels)
perf lt;- performance(pred,tpr,fpr)
plot(perf,color

r语言分析股票


r语言分析股票

以哈飞股份(且活600038)为例,运用GARCH(1,1)模型计算股票市场价值的波动率。
GARCH(1,1)模型为:
(1)
(2)
其中, 为回报系数, 为滞鲁七被强后系数, 和 均大于或等于0。
(1)式给出的均值方程是一个带有误差项的外生变量的函数。由于是以前面信息为基础的一期按向前预测方差,所以称为条件均值方程。
(2)式给出的方程中: 为常数项, (ARCH项)为用均值方程的残差平方的滞后项, (GARCH项)为上一期的预测方差。此方程又称条件方差方程,说明时间序列条件方差的变化特征。
通过以下六步进行求解:
本文选取哈飞股份2009年全年的股票日收盘价,采用Eviews 6.0的GARCH工具预测股票收益率波动率。具体计算过程如下:
第一步:计算日对数收益率并对样本的日收益率进行基本统计分析,结果如图好单视开双出见1和图2。
日收益率采用JP摩根集团的对数收益率概念,计算如下:
其中Si,Si-1分别为第i日和第i-1日股称上她于票收盘价。
图1 日收益率的JB统计图
对图1日收益率的JB统计图进行分析可知:
(1)标准正态分布的K值为3,而该股票的收益率曲线表现出微量峰度(Kurt如夫冷了稳克职第察养osis=3.748926>3),分布的凸起程度大于正态分布,说明存在着较为明显很的“尖峰厚尾”形态;
(2)偏度值与0有一定的差别商搞兰,序列分布有长的左拖尾,拒绝均值为零的原假设,不属于正态分布的特征;
(3)该股票的收益率的JB统计量大于5%的显际按量听官盾学志笔你秋著性水平上的临界值5.99,所以可以拒绝其收益分布正态销直绍外证只曾争快节的假设,并初步认定其收益分布呈现“厚尾”特征红故械育送销够福。
以上分析证明,该股日票收益率呈现出非正态的“尖峰厚尾”分布特征,促铁罗厚你兴因此利用GARCH模型来对类就某因孩浓促波动率进行拟合具有合理性。
第二财宗稳斯点体感妈步:检验收益序列平稳性
在进行时间序列分析之前,必须先确定其平稳性。从图2日收益序列的路径图来看,有比较明显的大的波动,可以大致判断该序列是一个非平稳时间序列。这还需要严格的统计检验庆方法来验证,目前流行也是最说为普遍应用的检验方法是单位根检验,鉴于ADF有更好的性能,故本文采用ADF方法检验序列的平稳性。
从表1可以看出,检验t统计量论的绝对值均大于1%、5%和10%标准下的临界值的绝对值,因此,序列在1%的显著水平下拒绝原假设,不存在单位根,是平稳序列,所以利用GARCH(1,1)模型进行检验是有效的。
图2 日收益序列图
表1ADF单位根检验结果
第三步:检验收益序列相关性
收益序列的自相关函数ACF和偏自相关函数PACF以及Ljung-Box-Pierce Q检验的结果如表3(滞后阶数 =15)。从表4.3可以看出,在大部分时滞上,日收益率序列的自相关函数和偏自相关函数值都很小,均小于0.1,表明收益率序列并不具有自相关性,因此,不需要引入自相关性的描述部分。Ljung-Box-Pierce Q检验的结果也说明日收益率序列不存在明显的序列相关性。
表2自相关检验结果
第四步:建立波动性模型
由于哈飞股份收益率序列为平稳序列,且不存在自相关,根据以上结论,建立如下日收益率方程:
(3)
(4)
第五步:对收益率残差进行ARCH检验
平稳序列的条件方差可能是常数值,此时就不必建立GARCH模型。故在建模前应对收益率的残差序列εt进行ARCH检验,考察其是否存在条件异方差,收益序列残差ARCH检验结果如表3。可以发现,在滞后10阶时,ARCH检验的伴随概率小于显著性水平0.05,拒绝原假设,残差序列存在条件异方差。在条件异方差的理论中,滞后项太多的情况下,适宜采用GARCH(1,1)模型替代ARCH模型,这也说明了使用GARCH(1,1)模型的合理性。
表3日收益率残差ARCH检验结果
第六步:估计GARCH模型参数,并检验
建立GARCH(1,1)模型,并得到参数估计和检验结果如表4。其中,RESID(-1)^2表示GARCH模型中的参数α,GARCH(-1)表示GARCH模型中的参数β,根据约束条件α+β<1,有RESID(-1)^2+GARCH(-1)=0.95083<1,满足约束条件。同时模型中的AIC和SC值比较小,可以认为该模型较好地拟合了数据。
表4日收益率波动率的GARCH(1,1)模型的参数估计



声明:稳得一批是理财投资基础知识平台! 并不指导专业性投资! 投资有风险,入市需谨慎!