r軟體回歸分析股票

A. 如何用R語言做線性相關回歸分析

cor()函數可以提供雙變數之間的相關系數，還可以用scatterplotMatrix()函數生成散點圖矩陣

不過R語言沒有直接給出偏相關的函數；
我們要是做的話，要先調用cor.test()對變數進行Pearson相關性分析，
得到簡單相關系數，然後做t檢驗，判斷顯著性。

B. 如何用R 語言 建立 股票價格的時間序列

在下想用R語言對股票價格進行時間序列分析。
問題出在第一步，如何將股票價格轉換為時間序列。
我想用的語句是 pri <- ts (data, start=(), frequency= )
但是我不知道frequency 項該如何填？
因為股票的交易日是一周五天的。 那麼這個frequency 該如何設置呢？
我知道通常frequency= 12 為月度數據，frequency= 4 為季度數據，frequency= 1 為年度數據 但日數據怎麼寫我就不知道了

初學R語言，還望各位大俠多多幫助。

C. 如何用r軟體對給定數據進行回歸分析（不能用lm函數）

可以試著探索一下summary(lm(y~x))到底是什麼。 首先看一下summary(lm(y~x))是什麼數據類型： > m class(summary(m)) [1] "summary.lm" #可以看到，lm的結果是一個"summary.lm" 對象。這有些顯而易見。好吧，繼續探索。 R語言中所有的對象都建立在一些native data structures之上，那麼summary(lm(y~x)的native data structure是什麼呢？可以用mode()命令查看。

D. 基於R語言實現Lasso回歸分析

基於R語言實現Lasso回歸分析
主要步驟：
將數據存成csv格式，逗號分隔
在R中，讀取數據，然後將數據轉成矩陣形式
載入lars包，先安裝
調用lars函數
確定Cp值最小的步數
確定篩選出的變數，並計算回歸系數
具體代碼如下：

需要注意的地方：
1、數據讀取的方法，這里用的file.choose( )，這樣做的好處是，會彈出窗口讓你選擇你要載入進來的文件，免去了輸入路徑的苦惱。
2、數據要轉為矩陣形式
3、（la） 可以看到R方，這里為0.66，略低
4、圖如何看？ summary的結果里，第1步是Cp最小的，在圖里，看到第1步與橫軸0.0的交界處，只有變數1是非0的。所以篩選出的是nongyangungun
Ps: R語言只學習了數據輸入，及一些簡單的處理，圖形可視化部分尚未學習，等論文寫完了，再把這部分認真學習一下~~在這里立個flag

E. 股票的貝塔系數怎麼算用excel的回歸分析

Cov(ra,rm) = ρamσaσm。

其中ρam為證券 a 與市場的相關系數；σa為證券 a 的標准差；σm為市場的標准差。

貝塔系數利用回歸的方法計算: 貝塔系數等於1即證券的價格與市場一同變動。

貝塔系數高於1即證券價格比總體市場更波動，貝塔系數低於1即證券價格的波動性比市場為低。

如果β = 0表示沒有風險，β = 0.5表示其風險僅為市場的一半，β = 1表示風險與市場風險相同，β = 2表示其風險是市場的2倍。

(5)r軟體回歸分析股票擴展閱讀

金融學運用了貝塔系數來計算在一隻股票上投資者可期望的合理風險回報率： 個股合理回報率 =無風險回報率*+β×(整體股市回報率-無風險回報率) *可用基準債券的收益率代表。

貝塔系數=1，代表該個股的系統風險等同大盤整體系統風險，即受整體經濟因素影響的程度跟大盤一樣; 貝塔系數>1則代表該個股的系統風險高於大盤，即受整體經濟因素影響的程度甚於大盤。

貝塔系數越高，投資該股的系統風險越高，投資者所要求的回報率也就越高。高貝塔的股票通常屬於景氣循環股(cyclicals)，如地產股和耐用消費品股；低貝塔的股票亦稱防禦類股(defensive stocks)，其表現與經濟景氣的關聯度較低，如食品零售業和公用事業股。

個股的貝塔系數可能會隨著大盤的升或跌而變動，有些股票在跌市中可能會較在升市具更高風險。

F. 回歸分析 | R語言 -- 多元線性回歸

多元線性回歸 是 簡單線性回歸 的擴展，用於基於多個不同的預測變數（x）預測結果變數（y）。

例如，對於三個預測變數（x），y​​的預測由以下等式表示： y = b0 + b1*x1 + b2*x2 + b3*x3

回歸貝塔系數測量每個預測變數與結果之間的關聯。「 b_j」可以解釋為「 x_j」每增加一個單位對y的平均影響，同時保持所有其他預測變數不變。

在本節中，依然使用 datarium 包中的 marketing 數據集，我們將建立一個多元回歸模型，根據在三種廣告媒體（youtube，facebook和報紙）上投入的預算來預測銷售。計算公式如下： sales = b0 + b1*youtube + b2*facebook + b3*newspaper

您可以如下計算R中的多個回歸模型系數：

請注意，如果您的數據中包含許多預測變數，則可以使用 ~. 以下命令將模型中的所有可用變數簡單地包括在內：

從上面的輸出中，系數表顯示β系數估計值及其顯著性水平。列為：

如前所述，您可以使用R函數輕松進行預測 predict() ：

在使用模型進行預測之前，您需要評估模型的統計顯著性。通過顯示模型的統計摘要，可以輕松地進行檢查。

顯示模型的統計摘要，如下所示：

摘要輸出顯示6個​​組件，包括：

解釋多元回歸分析的第一步是在模型摘要的底部檢查F統計量和關聯的p值。

在我們的示例中，可以看出F統計量的p值<2.2e-16，這是非常重要的。這意味著 至少一個預測變數與結果變數顯著相關 。

要查看哪些預測變數很重要，您可以檢查系數表，該表顯示了回歸beta系數和相關的t統計p值的估計。

對於給定的預測變數，t統計量評估預測變數和結果變數之間是否存在顯著關聯，即，預測變數的beta系數是否顯著不同於零。

可以看出，youtube和facebook廣告預算的變化與銷售的變化顯著相關，而報紙預算的變化與銷售卻沒有顯著相關。

對於給定的預測變數，系數（b）可以解釋為預測變數增加一個單位，同時保持所有其他預測變數固定的對y的平均影響。

例如，對於固定數量的youtube和報紙廣告預算，在Facebook廣告上花費額外的1000美元，平均可以使銷售額增加大約0.1885 * 1000 = 189個銷售單位。

youtube系數表明，在所有其他預測變數保持不變的情況下，youtube廣告預算每增加1000美元，我們平均可以預期增加0.045 * 1000 = 45個銷售單位。

我們發現報紙在多元回歸模型中並不重要。這意味著，對於固定數量的youtube和報紙廣告預算，報紙廣告預算的變化不會顯著影響銷售單位。

由於報紙變數不重要，因此可以 將其從模型中刪除 ，以提高模型精度：

最後，我們的模型公式可以寫成如下：。 sales = 3.43+ 0.045*youtube + 0.187*facebook

一旦確定至少一個預測變數與結果顯著相關，就應該通過檢查模型對數據的擬合程度來繼續診斷。此過程也稱為擬合優度

可以使用以下三個數量來評估線性回歸擬合的整體質量，這些數量顯示在模型摘要中：

與預測誤差相對應的RSE（或模型 sigma ）大致代表模型觀察到的結果值和預測值之間的平均差。RSE越低，模型就越適合我們的數據。

將RSE除以結果變數的平均值將為您提供預測誤差率，該誤差率應盡可能小。

在我們的示例中，僅使用youtube和facebook預測變數，RSE = 2.11，這意味著觀察到的銷售值與預測值的平均偏差約為2.11個單位。

這對應於2.11 / mean（train.data $ sales）= 2.11 / 16.77 = 13％的錯誤率，這很低。

R平方（R2）的范圍是0到1，代表結果變數中的變化比例，可以用模型預測變數來解釋。

對於簡單的線性回歸，R2是結果與預測變數之間的皮爾森相關系數的平方。在多元線性回歸中，R2表示觀察到的結果值與預測值之間的相關系數。

R2衡量模型擬合數據的程度。R2越高，模型越好。然而，R2的一個問題是，即使將更多變數添加到模型中，R2總是會增加，即使這些變數與結果之間的關聯性很小（James等，2014）。解決方案是通過考慮預測變數的數量來調整R2。

摘要輸出中「已調整的R平方」值中的調整是對預測模型中包含的x變數數量的校正。

因此，您應該主要考慮調整後的R平方，對於更多數量的預測變數，它是受罰的R2。

在我們的示例中，調整後的R2為0.88，這很好。

回想一下，F統計量給出了模型的整體重要性。它評估至少一個預測變數是否具有非零系數。

在簡單的線性回歸中，此檢驗並不是真正有趣的事情，因為它只是復制了系數表中可用的t檢驗給出的信息。

一旦我們開始在多元線性回歸中使用多個預測變數，F統計量就變得更加重要。

大的F統計量將對應於統計上顯著的p值（p <0.05）。在我們的示例中，F統計量644產生的p值為1.46e-42，這是非常重要的。

我們將使用測試數據進行預測，以評估回歸模型的性能。

步驟如下：

從上面的輸出中，R2為 0.9281111 ，這意味著觀察到的結果值與預測的結果值高度相關，這非常好。

預測誤差RMSE為 1.612069 ，表示誤差率為 1.612069 / mean(testData $ sales) = 1.612069/ 15.567 = 10.35 ％ ，這很好。

本章介紹了線性回歸的基礎，並提供了R中用於計算簡單和多個線性回歸模型的實例。我們還描述了如何評估模型的性能以進行預測。