关键词：
原文链接：http://tecdat.cn/?p=20015
本文将说明单变量和多变量金融时间序列的不同模型，特别是条件均值和条件协方差矩阵、波动率的模型。
均值模型
本节探讨条件均值模型。
iid模型
我们从简单的iid模型开始。iid模型假定对数收益率xt为N维高斯时间序列：
均值和协方差矩阵的样本估计量分别是样本均值
和样本协方差矩阵
我们从生成数据开始，熟悉该过程并确保估计过程给出正确的结果（即完整性检查）。然后使用真实的市场数据并拟合不同的模型。
让我们生成合成iid数据并估算均值和协方差矩阵：
# 生成综合收益数据X <- rmvnorm(n = T, mean = mu, sigma = Sigma)# 样本估计（样本均值和样本协方差矩阵）mu_sm <- colMeans(X)Sigma_scm <- cov(X)# 误差norm(mu_sm - mu, "2")#> [1] 2.44norm(Sigma_scm - Sigma, "F")#> [1] 70.79
现在，让我们针对不同数量的观测值T再做一次：
# 首先生成所有数据X <- rmvnorm(n = T_max, mean = mu, sigma = Sigma)# 现在遍历样本的子集for (T_ in T_sweep) # 样本估算 mu_sm <- colMeans(X_) Sigma_scm <- cov(X_) # 计算误差 error_mu_vs_T <- c(error_mu_vs_T, norm(mu_sm - mu, "2")) error_Sigma_vs_T <- c(error_Sigma_vs_T, norm(Sigma_scm - Sigma, "F"))# 绘图plot(T_sweep, error_mu_vs_T, main = "mu估计误差",
plot(T_sweep, error_Sigma_vs_T main = "Sigma估计中的误差", ylab = "误差"
单变量ARMA模型
对数收益率xt上的ARMA（p，q）模型是
其中wt是均值为零且方差为σ2的白噪声序列。模型的参数是系数ϕi，θi和噪声方差σ2。
请注意，ARIMA（p，d，q）模型是时间差分为d阶的ARMA（p，q）模型。因此，如果我们用xt代替对数价格，那么先前的对数收益模型实际上就是ARIMA（p，1，q）模型，因为一旦对数价格差分，我们就获得对数收益。
rugarch生成数据
我们将使用rugarch包 生成单变量ARMA数据，估计参数并进行预测。
首先，我们需要定义模型：
# 指定具有给定系数和参数的AR（1）模型#> #> *----------------------------------*#> * ARFIMA Model Spec *#> *----------------------------------*#> Conditional Mean Dynamics#> ------------------------------------#> Mean Model : ARFIMA(1,0,0)#> Include Mean : TRUE #> #> Conditional Distribution#> ------------------------------------#> Distribution : norm #> Includes Skew : FALSE #> Includes Shape : FALSE #> Includes Lambda : FALSE#> Level Fixed Include Estimate LB UB#> mu 0.01 1 1 0 NA NA#> ar1 -0.90 1 1 0 NA NA#> ma 0.00 0 0 0 NA NA#> arfima 0.00 0 0 0 NA NA#> archm 0.00 0 0 0 NA NA#> mxreg 0.00 0 0 0 NA NA#> sigma 0.20 1 1 0 NA NA#> alpha 0.00 0 0 0 NA NA#> beta 0.00 0 0 0 NA NA#> gamma 0.00 0 0 0 NA NA#> eta1 0.00 0 0 0 NA NA#> eta2 0.00 0 0 0 NA NA#> delta 0.00 0 0 0 NA NA#> lambda 0.00 0 0 0 NA NA#> vxreg 0.00 0 0 0 NA NA#> skew 0.00 0 0 0 NA NA#> shape 0.00 0 0 0 NA NA#> ghlambda 0.00 0 0 0 NA NA#> xi 0.00 0 0 0 NA NAfixed.pars#> $mu#> [1] 0.01#> #> $ar1#> [1] -0.9#> #> $sigma#> [1] 0.2true_params#> mu ar1 sigma #> 0.01 -0.90 0.20
然后，我们可以生成时间序列：
# 模拟一条路径apath(spec, n.sim = T)# 转换为xts并绘图plot(synth_log_returns, main = "ARMA模型的对数收益率"plot(synth_log_prices, main = "ARMA模型的对数价格"
ARMA模型
现在，我们可以估计参数（我们已经知道）：
# 指定AR（1）模型arfimaspec(mean.model = list(armaOrder = c(1,0), include.mean = TRUE))# 估计模型#> mu ar1 sigma #> 0.0083 -0.8887 0.1987#> mu ar1 sigma #> 0.01 -0.90 0.20
我们还可以研究样本数量T对参数估计误差的影响：
# 循环for (T_ in T_sweep) estim_coeffs_vs_T <- rbind(estim_coeffs_vs_T, coef(arma_fit)) error_coeffs_vs_T <- rbind(error_coeffs_vs_T, abs(coef(arma_fit) - true_params)/true_params)# 绘图matplot(T_sweep, estim_coeffs_vs_T, main = "估计的ARMA系数", xlab = "T", ylab = "值",
matplot(T_sweep, 100*error_coeffs_vs_T, main = "估计ARMA系数的相对误差", xlab = "T", ylab = "误差 (%)",
首先，真正的μ几乎为零，因此相对误差可能显得不稳定。在T = 800个样本之后，其他系数得到了很好的估计。
ARMA预测
为了进行健全性检查，我们现在将比较两个程序包 Forecast 和 rugarch的结果：
# 指定具有给定系数和参数的AR（1）模型spec(mean.model = list(armaOrder = c(1,0), include.mean = TRUE), fixed.pars = list(mu = 0.005, ar1 = -0.9, sigma = 0.1))# 生成长度为1000的序列arfima(arma_fixed_spec, n.sim = 1000)@path$seriesSim# 使用 rugarch包指定和拟合模型spec(mean.model = list(armaOrder = c(1,0), include.mean = TRUE))# 使用包“ forecast”拟合模型#> ARIMA(1,0,0) with non-zero mean #> #> Coefficients:#> ar1 mean#> -0.8982 0.0036#> s.e. 0.0139 0.0017#> #> sigma^2 estimated as 0.01004: log likelihood=881.6#> AIC=-1757.2 AICc=-1757.17 BIC=-1742.47# 比较模型系数#> ar1 intercept sigma #> -0.898181148 0.003574781 0.100222964#> mu ar1 sigma #> 0.003605805 -0.898750138 0.100199956
确实，这两个软件包给出了相同的结果。
ARMA模型选择
在先前的实验中，我们假设我们知道ARMA模型的阶数，即p = 1和q = 0。实际上，阶数是未知的，因此必须尝试不同的阶数组合。阶数越高，拟合越好，但这将不可避免地导致过度拟合。已经开发出许多方法来惩罚复杂性的增加以避免过度拟合，例如AIC，BIC，SIC，HQIC等。
# 尝试不同的组合# 查看排名#> AR MA Mean ARFIMA BIC converged#> 1 1 0 1 0 -0.38249098 1#> 2 1 1 1 0 -0.37883157 1#> 3 2 0 1 0 -0.37736340 1#> 4 1 2 1 0 -0.37503980 1#> 5 2 1 1 0 -0.37459177 1#> 6 3 0 1 0 -0.37164609 1#> 7 1 3 1 0 -0.37143480 1#> 8 2 2 1 0 -0.37107841 1#> 9 3 1 1 0 -0.36795491 1#> 10 2 3 1 0 -0.36732669 1#> 11 3 2 1 0 -0.36379209 1#> 12 3 3 1 0 -0.36058264 1#> 13 0 3 1 0 -0.11875575 1#> 14 0 2 1 0 0.02957266 1#> 15 0 1 1 0 0.39326050 1#> 16 0 0 1 0 1.17294875 1#选最好的armaOrder#> AR MA #> 1 0
在这种情况下，由于观察次数T = 1000足够大，因此阶数被正确地检测到。相反，如果尝试使用T = 200，则检测到的阶数为p = 1，q = 3。
ARMA预测
一旦估计了ARMA模型参数ϕi ^ i和θ^j，就可以使用该模型预测未来的值。例如，根据过去的信息对xt的预测是
并且预测误差将为xt-x ^ t = wt（假设参数已被估计），其方差为σ2。软件包 rugarch 使对样本外数据的预测变得简单：
# 估计模型（不包括样本外）coef(arma_fit)#> mu ar1 sigma #> 0.007212069 -0.898745183 0.200400119# 整个样本外的预测对数收益forecast_log_returns <- xts(arma_fore@forecast$seriesFor[1, ], dates_out_of_sample)# 恢复对数价格prev_log_price <- head(tail(synth_log_prices, out_of_sample+1), out_of_sample)# 对数收益图plot(cbind("fitted" = fitted(arma_fit),# 对数价格图plot(cbind("forecast" = forecast_log_prices, main = "对数价格预测", legend.loc = "topleft")
多元VARMA模型
对数收益率xt上的VARMA（p，q）模型是
其中wt是具有零均值和协方差矩阵Σw的白噪声序列。该模型的参数是矢量/矩阵系数ϕ0，Φi，Θj和噪声协方差矩阵Σw。
比较
让我们首先加载S＆P500：
# 加载标普500数据head(SP500_index_prices)#> SP500#> 2012-01-03 1277.06#> 2012-01-04 1277.30#> 2012-01-05 1281.06#> 2012-01-06 1277.81#> 2012-01-09 1280.70#> 2012-01-10 1292.08# 准备训练和测试数据logreturns_trn <- logreturns[1:T_trn]logreturns_tst <- logreturns[-c(1:T_trn)]# 绘图 plot(logreturns, addEventLines(xts("训练"
现在，我们使用训练数据（即，对于t = 1，…，Ttrnt = 1，…，Ttrn）来拟合不同的模型（请注意，通过指示排除了样本外数据 out.sample = T_tst）。特别是，我们将考虑iid模型，AR模型，ARMA模型以及一些ARCH和GARCH模型（稍后将对方差建模进行更详细的研究）。
# 拟合i.i.d.模型coef(iid_fit)#> mu sigma #> 0.0005712982 0.0073516993mean(logreturns_trn)#> [1] 0.0005681388sd(logreturns_trn)#> [1] 0.007360208# 拟合AR（1）模型coef(ar_fit)#> mu ar1 sigma #> 0.0005678014 -0.0220185181 0.0073532716# 拟合ARMA（2,2）模型coef(arma_fit)#> mu ar1 ar2 ma1 ma2 sigma #> 0.0007223304 0.0268612636 0.9095552008 -0.0832923604 -0.9328475211 0.0072573570# 拟合ARMA（1,1）+ ARCH（1）模型coef(arch_fit)#> mu ar1 ma1 omega alpha1 #> 6.321441e-04 8.720929e-02 -9.391019e-02 4.898885e-05 9.986975e-02#拟合ARMA（0,0）+ARCH（10）模型coef(long_arch_fit)#> mu omega alpha1 alpha2 alpha3 alpha4 alpha5 #> 7.490786e-04 2.452099e-05 6.888561e-02 7.207551e-02 1.419938e-01 1.909541e-02 3.082806e-02 #> alpha6 alpha7 alpha8 alpha9 alpha10 #> 4.026539e-02 3.050040e-07 9.260183e-02 1.150128e-01 1.068426e-06# 拟合ARMA（1,1）+GARCH（1,1）模型coef(garch_fit)#> mu ar1 ma1 omega alpha1 beta1 #> 6.660346e-04 9.664597e-01 -1.000000e+00 7.066506e-06 1.257786e-01 7.470725e-01
我们使用不同的模型来预测对数收益率：
# 准备预测样本外周期的对数收益# i.i.d.模型预测forecast(iid_fit, n.ahead = 1, n.roll = T_tst - 1) dates_out_of_sample)# AR（1）模型进行预测forecast(ar_fit, n.ahead = 1, n.roll = T_tst - 1) dates_out_of_sample)# ARMA（2,2）模型进行预测forecast(arma_fit, n.ahead = 1, n.roll = T_tst - 1) dates_out_of_sample)# 使用ARMA（1,1）+ ARCH（1）模型进行预测forecast(arch_fit, n.ahead = 1, n.roll = T_tst - 1) dates_out_of_sample)# ARMA（0,0）+ARCH（10）模型预测forecast(long_arch_fit, n.ahead = 1, n.roll = T_tst - 1) dates_out_of_sample)# ARMA（1,1）+GARCH（1,1）模型预测forecast(garch_fit, n.ahead = 1, n.roll = T_tst - 1) dates_out_of_sample)
我们可以计算不同模型的预测误差（样本内和样本外）：
print(error_var)#> in-sample out-of-sample#> iid 5.417266e-05 8.975710e-05#> AR(1) 5.414645e-05 9.006139e-05#> ARMA(2,2) 5.265204e-05 1.353213e-04#> ARMA(1,1) + ARCH(1) 5.415836e-05 8.983266e-05#> ARCH(10) 5.417266e-05 8.975710e-05#> ARMA(1,1) + GARCH(1,1) 5.339071e-05 9.244012e-05
我们可以观察到，随着模型复杂度的增加，样本内误差趋于变小（由于拟合数据的自由度更高），尽管差异可以忽略不计。重要的实际上是样本外误差：我们可以看到，增加模型复杂度可能会得出较差的结果。就预测收益的误差而言，似乎最简单的iid模型已经足够了。
最后，让我们展示一些样本外误差的图表：
plot(error, main = "不同模型收益预测的样本外误差",
请注意，由于我们没有重新拟合模型，因此随着时间的发展，误差越大（对于ARCH建模尤其明显）。
滚动窗口比较
让我们首先通过一个简单的示例比较静态预测与滚动预测的概念：
#ARMA（2,2）模型spec <- spec(mean.model = list(armaOrder = c(2,2), include.mean = TRUE))# 静态拟合和预测ar_static_fit <- fit(spec = spec, data = logreturns, out.sample = T_tst)#滚动拟合和预测modelroll <- aroll(spec = spec, data = logreturns, n.ahead = 1, # 预测图plot(cbind("static forecast" = ar_static_fore_logreturns, main = "使用ARMA（2,2）模型进行预测", legend.loc = "topleft")# 预测误差图plot(error_logreturns, col = c("black", "red"), lwd = 2, main = "ARMA（2,2）模型的预测误差", legend.loc = "topleft")
我们可以清楚地观察到滚动窗口过程对时间序列的影响。
现在，我们可以在滚动窗口的基础上重做所有模型的所有预测：
# 基于i.i.d.模型的滚动预测roll(iid_spec, data = logreturns, n.ahead = 1, forecast.length = T_t# AR（1）模型的滚动预测roll(ar_spec, data = logreturns, n.ahead = 1, forecast.length = T_tst, # ARMA（2,2）模型的滚动预测roll(arma_spec, data = logreturns, n.ahead = 1, forecast.length = T_tst, # ARMA（1,1）+ ARCH（1）模型的滚动预测roll(arch_spec, data = logreturns, n.ahead = 1, forecast.length = T_tst, refit.every = 50, refit.win# ARMA（0,0）+ ARCH（10）模型的滚动预测roll(long_arch_spec, data = logreturns, n.ahead = 1, forecast.length = T_tst, refit.every = 50, # ARMA（1,1）+ GARCH（1,1）模型的滚动预测roll(garch_spec, data = logreturns, n.ahead = 1, forecast.length = T_tst, refit.every = 50, refit.window
让我们看看滚动基准情况下的预测误差：
print(rolling_error_var)#> in-sample out-of-sample#> iid 5.417266e-05 8.974166e-05#> AR(1) 5.414645e-05 9.038057e-05#> ARMA(2,2) 5.265204e-05 8.924223e-05#> ARMA(1,1) + ARCH(1) 5.415836e-05 8.991902e-05#> ARCH(10) 5.417266e-05 8.976736e-05#> ARMA(1,1) + GARCH(1,1) 5.339071e-05 8.895682e-05
和一些图表：
plot(error_logreturns, main = "不同模型的滚动预测误差", legend.loc = "topleft"
我们看到，现在所有模型都拟合了时间序列。此外，我们在模型之间没有发现任何显着差异。
我们最终可以比较静态误差和滚动误差：
barplot(rbind(error_var[, "out-of-sample"], rolling_error_var[, "out-of-sample"]) col = c("darkblue", "darkgoldenrod"), legend = c("静态预测", "滚动预测"),
我们可以看到，滚动预测在某些情况下是必须的。因此，实际上，我们需要定期进行滚动预测改进。
方差模型
ARCH和GARCH模型
对数收益率残差wt的ARCH（m）模型为
其中zt是具有零均值和恒定方差的白噪声序列，而条件方差σ2t建模为
其中，m为模型阶数，ω> 0，αi≥0为参数。
GARCH（m，s）模型使用σ2t上的递归项扩展了ARCH模型：
其中参数ω> 0，αi≥0，βj≥0需要满足∑mi =1αi+ ∑sj = 1βj≤1的稳定性。
rugarch生成数据
首先，我们需要定义模型：
# 指定具有给定系数和参数的GARCH模型#> #> *---------------------------------*#> * GARCH Model Spec *#> *---------------------------------*#> #> Conditional Variance Dynamics #> ------------------------------------#> GARCH Model : sGARCH(1,1)#> Variance Targeting : FALSE #> #> Conditional Mean Dynamics#> ------------------------------------#> Mean Model : ARFIMA(1,0,0)#> Include Mean : TRUE #> GARCH-in-Mean : FALSE #> #> Conditional Distribution#> ------------------------------------#> Distribution : norm #> Includes Skew : FALSE #> Includes Shape : FALSE #> Includes Lambda : FALSE#> Level Fixed Include Estimate LB UB#> mu 0.005 1 1 0 NA NA#> ar1 -0.900 1 1 0 NA NA#> ma 0.000 0 0 0 NA NA#> arfima 0.000 0 0 0 NA NA#> archm 0.000 0 0 0 NA NA#> mxreg 0.000 0 0 0 NA NA#> omega 0.001 1 1 0 NA NA#> alpha1 0.300 1 1 0 NA NA#> beta1 0.650 1 1 0 NA NA#> gamma 0.000 0 0 0 NA NA#> eta1 0.000 0 0 0 NA NA#> eta2 0.000 0 0 0 NA NA#> delta 0.000 0 0 0 NA NA#> lambda 0.000 0 0 0 NA NA#> vxreg 0.000 0 0 0 NA NA#> skew 0.000 0 0 0 NA NA#> shape 0.000 0 0 0 NA NA#> ghlambda 0.000 0 0 0 NA NA#> xi 0.000 0 0 0 NA NA#> $mu#> [1] 0.005#> #> $ar1#> [1] -0.9#> #> $omega#> [1] 0.001#> #> $alpha1#> [1] 0.3#> #> $beta1#> [1] 0.65true_params#> mu ar1 omega alpha1 beta1 #> 0.005 -0.900 0.001 0.300 0.650
然后，我们可以生成收益率时间序列：
# 模拟一条路径hpath(garch_spec, n.sim = T)#> num [1:2000, 1] 0.167 -0.217 # 绘图对数收益 plot(synth_log_returns, main = "GARCH模型的对数收益", lwd = 1.5) lines(synth_volatility
GARCH
现在，我们可以估计参数：
# 指定一个GARCH模型ugarchspec(mean.model = list(armaOrder = c(1,0)# 估计模型coef(garch_fit)#> mu ar1 omega alpha1 beta1 #> 0.0036510100 -0.8902333595 0.0008811434 0.2810460728 0.6717486402#> mu ar1 omega alpha1 beta1 #> 0.005 -0.900 0.001 0.300 0.650# 系数误差#> mu ar1 omega alpha1 beta1 #> 0.0013489900 0.0097666405 0.0001188566 0.0189539272 0.0217486402
我们还可以研究样本数量T对参数估计误差的影响：
# 循环for (T_ in T_sweep) garch_fit error_coeffs_vs_T <- rbind(error_coeffs_vs_T, abs((coef(garch_fit) - true_params)/true_params)) estim_coeffs_vs_T <- rbind(estim_coeffs_vs_T, coef(garch_fit))# 绘图matplot(T_sweep, 100*error_coeffs_vs_T, main = "估计GARCH系数的相对误差", xlab = "T", ylab = "误差 (%)",
真实的ω几乎为零，因此误差非常不稳定。至于其他系数，就像在ARMA情况下一样，μ的估计确实很差（相对误差超过50％），而其他系数似乎在T = 800个样本后得到了很好的估计。
GARCH结果比较
作为健全性检查，我们现在将比较两个软件包 fGarch 和 rugarch的结果：
# 指定具有特定参数值的ARMA（0,0）-GARCH（1,1）作为数据生成过程garch_spec #生成长度为1000的数据path(garch_fixed_spec, n.sim = 1000)@path$# 使用“ rugarch”包指定和拟合模型rugarch_fit <- ugarchfit(spec = garch_spec, data = x)# 使用包“ fGarch”拟合模型garchFit(formula = ~ garch(1, 1), data = x, trace = FALSE)# 比较模型系数#> mu omega alpha1 beta1 #> 0.09749904 0.01395109 0.13510445 0.73938595#> mu omega alpha1 beta1 #> 0.09750394 0.01392648 0.13527024 0.73971658# 比较拟合的标准偏差print(head(fGarch_fi#> [1] 0.3513549 0.3254788 0.3037747 0.2869034 0.2735266 0.2708994print(head(rugar#> [1] 0.3538569 0.3275037 0.3053974 0.2881853 0.2745264 0.2716555
确实，这两个软件包给出了相同的结果。
使用rugarch包进行GARCH预测
一旦估计出GARCH模型的参数，就可以使用该模型预测未来的值。例如，基于过去的信息对条件方差的单步预测为
给定ω^ /（1-∑mi =1α^ i-∑sj =1β^ j）。软件包 rugarch 使对样本外数据的预测变得简单：
# 估计模型，不包括样本外garch_fit coef(garch_fit)#> mu ar1 omega alpha1 beta1 #> 0.0034964331 -0.8996287630 0.0006531088 0.3058756796 0.6815452241# 预测整个样本的对数收益garch_fore@forecast$sigmaFor[1, ]# 对数收益图plot(cbind("fitted" = fitted(garch_fit), main = "合成对数收益预测", legend.loc = "topleft")
#波动率对数收益图plot(cbind("fitted volatility" = sigma(garch_fit), main = "预测合成对数收益率的波动性", legend.loc = "topleft")
不同方法
让我们首先加载S＆P500：
# 加载标准普尔500指数数据head(SP500_index_prices)#> SP500#> 2008-01-02 1447.16#> 2008-01-03 1447.16#> 2008-01-04 1411.63#> 2008-01-07 1416.18#> 2008-01-08 1390.19#> 2008-01-09 1409.13# 准备训练和测试数据x_trn <- x[1:T_trn]x_tst <- x[-c(1:T_trn)]# 绘图 plot(x, main = "收益" addEventLines(xts("训练", in
常数
让我们从常数开始：
plot(cbind(sqrt(var_constant), x_trn) main = "常数")
移动平均值
现在，让我们使用平方收益的移动平均值：
plot(cbind(sqrt(var_t), x_trn), main = "基于简单滚动平方均值的包络线(时间段=20)
EWMA
指数加权移动平均线（EWMA）：
请注意，这也可以建模为ETS（A，N，N）状态空间模型：
plot(cbind(std_t, x_trn), main = "基于平方EWMA的包络")
乘法ETS
我们还可以尝试ETS模型的不同变体。例如，具有状态空间模型的乘性噪声版本ETS（M，N，N）：
参考技术A 不清楚获得新观察的预测（R 编程语言）
】获得新观察的预测（R编程语言）【英文标题】：ObtainingPredictionsforNewObservations(RProgrammingLanguage)【发布时间】：2021-11-0513:21:12【问题描述】：我正在使用R编程语言。我在R中为这个数据集创建了一个决策树（预测“diabetes”列是... 查看详情
使用r语言预测产品销量
使用R语言预测产品销量 通过不同的广告投入，预测产品的销量。因为响应变量销量是一个连续的值，所以这个问题是一个回归问题。数据集共有200个观测值，每一组观测值对应一种市场情况。 数据特征TV：对于一个给定... 查看详情
r语言的arima模型预测
R通过RODBC连接数据库stats包中的st函数建立时间序列funitRoot包中的unitrootTest函数检验单位根forecast包中的函数进行预测差分用timeSeries包中diffstats包中的acf和pacf处理自相关和偏自相关stats包中的arima函数模型 查看详情
r语言时间序列（timeseries）分析实战：holtwinters平滑法预测
R语言时间序列（timeseries）分析实战：HoltWinters平滑法预测目录 查看详情
r语言时间序列（timeseries）分析实战：简单指数平滑法预测
R语言时间序列（timeseries）分析实战：简单指数平滑法预测目录 查看详情
r语言混合时间预测更好的时间序列点估计(代码片段)
混合预测-单模型预测的平均值-通常用于产生比任何贡献预测模型更好的点估计。我展示了如何为混合预测构建预测区间，这种预测的覆盖范围比最常用的预测区间更准确（即80％的实际观测结果确实在80％置信区间内），在3,003M... 查看详情
r语言实战回归
本文对应《R语言实战》第8章：回归回归是一个广义的概念，通指那些用一个或多个预测变量（也称自变量或解释变量）来预测响应变量（也称因变量、效标变量或结果变量）的方法。通常，回归分析可以用来挑选与相应变量相... 查看详情
r语言数据挖掘实战系列
R语言数据挖掘实战系列（5）——挖掘建模一、分类与预测分类和预测是预测问题的两种主要类型，分类主要是预测分类标号（离散属性），而预测主要是建立连续值函数模型，预测给定自变量对应的因变量的值。1.实现过程（1... 查看详情
r语言时间序列（timeseries）分析实战：使用arima模型预测时间序列
R语言时间序列（timeseries）分析实战：使用ARIMA模型预测时间序列目录 查看详情
titanic生存预测（kaggle入门赛）——基于r语言
Titanic生存预测 ——数据模型汇总报告摘要 R语言多元统计分析课程是一门综合理论和实践的大课程，既需要我们掌握基本的多元统计分析技术理论，又需要针对具体问题在R的环境中实现。 ... 查看详情
r语言临床预测模型的评价指标与验证指标实战：c-index指标计算
R语言临床预测模型的评价指标与验证指标实战：C-index指标计算目录R语言临床预测模型的评价指标与验证指标实战：C-index指标计算 查看详情
r语言glm模型预测（predict）过程及errorineval(predvars,data,env)错误原因
R语言glm模型预测（predict）过程及Errorineval(predvars,data,env)错误原因 目录R语言glm模型预测（predict）过程及Errorineval(predvars,data,env)错误原因 查看详情
基于r语言构建的电影评分预测模型
一，前提准备 1.R语言包：ggplot2包（绘图），recommenderlab包，reshape包（数据处理） 2.获取数据：大家可以在明尼苏达州大学的社会化计算研究中心官网上面下载这些免费数据集，网站链接为http:/... 查看详情
r语言︱xgboost极端梯度上升以及forecastxgb（预测）+xgboost（回归）双案例解读
R语言︱XGBoost极端梯度上升以及forecastxgb（预测）+xgboost（回归）双案例解读 XGBoost不仅仅可以用来做分类还可以做时间序列方面的预测，而且已经有人做的很好，可以见最后的案例。 应用... 查看详情
r语言使用gls函数拟合模型并可视化模型的预测值及其置信区间实战
R语言使用gls函数拟合模型并可视化模型的预测值及其置信区间实战 目录R语言使用gls函数拟合模型并可视化模型的预测值及其置信区间实 查看详情
r语言临床预测模型的评价指标与验证指标实战：决策曲线分析（decisioncurveanalysis,dca）
R语言临床预测模型的评价指标与验证指标实战：决策曲线分析（DecisionCurveAnalysis,DCA）目录 查看详情
r语言时间序列（timeseries）分析实战：霍尔特指数holt‘s平滑法预测
R语言时间序列（timeseries）分析实战：霍尔特指数Holt\'s平滑法预测目录 查看详情
r语言临床预测模型的评价指标与验证指标实战：roc曲线auc(c-statistics)
R语言临床预测模型的评价指标与验证指标实战：ROC曲线、AUC(C-Statistics)目录R语言临床预测模型的评价指标与验证指标实战：ROC曲线、AUC(C-Statistics)</ 查看详情