R語言arima模型時間序列分析報告library(openxlsx)data=read.xlsx("hs300.xlsx")timeseries=data$`收盤價(元)`date=data$日期date=as.Date(as.numeric(date),origin="1899-12-30")#1998-07-05#繪制時間序列圖plot(date,timeseries)timeseriesdiff<-diff(timeseries,differences=1)plot(date[-1],timeseriesdiff)#時間序列分析之ARIMA模型預測#我們可以通過鍵入下面的代碼來得到時間序列（數據存于“timeseries”）的一階差分，并畫出差分序列的圖:#時間序列分析之ARIMA模型預測#從一階差分的圖中可以看出，數據仍是不平穩的。我們繼續差分。#時間序列分析之ARIMA模型預測#二次差分（上面）后的時間序列在均值和方差上確實看起來像是平穩的，隨著時間推移，時間序列的水平和方差大致保持不變。因此，看起來我們需要對data進行兩次差分以得到平穩序列。#第二步，找到合適的ARIMA模型#如果你的時間序列是平穩的，或者你通過做n次差分轉化為一個平穩時間序列，接下來就是要選擇合適的ARIMA模型，這意味著需要尋找ARIMA(p,d,q)中合適的p值和q值。為了得到這些，通常需要檢查[平穩時間序列的（自）相關圖和偏相關圖。#我們使用R中的“acf()”和“pacf”函數來分別（自）相關圖和偏相關圖。“acf()”和“pacf設定“plot=FALSE”來得到自相關和偏相關的真實值。acf(na.omit(timeseriesdiff2),lag.max=20)#時間序列分析之ARIMA模型預測#自相關圖顯示滯后1階自相關值基本沒有超過邊界值，雖然6階自相關值超出邊界，那么很可能屬于偶然出現的，而自相關值在其他上都沒有超出顯著邊界，而且我們可以期望1到20之間的會偶爾超出95%的置信邊界。pacf(na.omit(timeseriesdiff2),lag.max=20)#偏自相關值選5階。#故我們的ARMIA模型為armia（1,2,5）servearima<-arima(timeseries,order=c(5,2,5))servearima#偏自相關值選5階。####Call:##arima(x=timeseries,order=c(5,2,5))####Coefficients:##Warninginsqrt(diag(x$var.coef)):產生了NaNs##ar1ar2ar3ar4ar5ma1ma2ma3##-0.8663-0.6281-0.57140.04990.0582-0.0862-0.2969-0.0206##s.e.NaNNaNNaNNaNNaNNaN0.1400NaN##ma4ma5##-0.5481-0.0482##s.e.0.1311NaN####sigma^2estimatedas2672:loglikelihood=-20640.51,aic=41303.02library("forecast")#對滬深300指數在2017年12月4日至2017年12月31日之間的每日收盤價進行預測#時間序列分析之ARIMA模型預測#上圖預測中的時間曲線圖顯示出對著時間增加，方差大致為常數（大致不變）（盡管上半部分的時間序#列方差看起來稍微高一些）。時間