r语言怎么处理股票数据

Ⅰ 有哪些关于 R 语言的书值得推荐

数据挖掘与R语言
本书首先简要介绍了R软件的基础知识（安装、R数据结构、R编程、R的输入和输出等）。然后通过四个数据挖掘的实际案例 （藻类频率的预测、证券趋势预测和交易系统仿真、交易欺诈预测、微阵列数据分类）介绍数据挖掘技术。这四个案例基本覆盖了常见的数据挖掘技术，从无监督的 数据挖掘技术、有监督的数据挖掘技术到半监督的数据挖掘技术。全书以实际问题、解决方案和对解决方案的讨论为主线来组织内容，脉络清晰，并且各章自成体 系。读者可以从头至尾逐章学习，也可以根据自己的需要进行学习，找到自己实际问题的解决方案。

本书不需要读者具备R和数据挖掘的基础知识。不管是R初学者，还是熟练的R用户都能从书中找到对自己有用的内容。读者既可以把本书作为学习如何应用R的一本优秀教材，也可以作为数据挖掘的工具书。

机器学习：实用案例解析
机器学习是计算机科学和人工智能中非常重要的一个研究领域，近年来，机器学习不但在计算机科学的众多领域中大显身手，而且成为一些交叉学科的重要支撑技 术。本书比较全面系统地介绍了机器学习的方法和技术，不仅详细阐述了许多经典的学习方法，还讨论了一些有生命力的新理论、新方法。

全书案例既有分类问题，也有回归问题；既包 含监督学习，也涵盖无监督学习。本书讨论的案例从分类讲到回归，然后讨论了聚类、降维、最优化问题等。这些案例包括分类：垃圾邮件识别，排序：智能收件 箱，回归模型：预测网页访问量，正则化：文本回归，最优化：密码破解，无监督学习：构建股票市早闭郑场指数，空间相似度：用投票记录对美国参议员聚类，推荐系 统：给用户推荐R语言包，社交网络分析：在Twitter上感兴趣的人，模型比较：给你的问题找到最佳算法。各章对原理的叙述力求概陆颂念清晰、表达准确，突 出理论联系实际，富有启发性，易于理解。在探索这些案例的过程中用到的基本工具就是R统计编程语言。R语言非常适合用于机器学习的案例研究，因为它是一种 用于数据分析的高水平、功能性脚本语言。

R语言经典实例
本书涵盖200多个R语言实用方法，可以帮助读者快速而有效地使用R进行数据分析。R语言给我们提供了统计分析酣一切工具，但是R本身的结 构可能有些难于掌握。本书提供的这些面向任务、简明的R语言方法包含了从基本的分析任务到输入和输出、常用统计分析、绘图、线性回归等内容，它们可以让你 马上应用R高效地工作。
每一个R语言方法都专注于一个特定的问题，随后的讨论则对问题的解决方案给出解释，并阐释该方法的工作机理。对于R的初级用户，《R语言经典实例》将帮助 你步入R的殿堂；对于R的资深用户，本书将加深你对R的理解并拓展你的视野。通过本书，你可以使你的分析工作顺利完成并学习更多R语言知识。本书由蒂特 着。

R语言编程艺术
R语言是世界上最流行的用于数据态吵处理和统 计分析的脚本语言。考古学家用它来跟踪古代文明的传播，医药公司用它来探索哪种药物更安全、更有效，精算师用它评估金融风险以保证市场的平稳运行。总之， 在大数据时代，统计数据、分析数据都离不开计算机软件的支持，在这方面R语言尤其出色。

本书将带领你踏上R语言软件开发之旅，从最 基本的数据类型和数据结构开始，到闭包、递归和匿名函数等高级主题，由浅入深，讲解细腻，读者完全不需要统计学的知识，甚至不需要编程基础。而书中提到的 很多高级编程技巧，都是作者多年编程经验的总结，对有经验的开发者也大有裨益。本书精选了44个扩展案例，这些案例都源自于作者亲身参与过的咨询项目，都 是与数据分析相关的，生动展示了R语言在统计学中的高效应用。

金融数据分析导论：基于R语言
本书由统计学领域着名专家Ruey S. Tsay（蔡瑞胸）所着，从基本的金融数据出发，讨论了这些数据的汇总统计和相关的可视化方法，之后分别介绍了商业、金融和经济领域中的基本时间序列分析和计量经济模型。

时间序列分析及应用:R语言(原书第2版)
本书以易于理解的方式讲述了时间序列模型及其应用，主要内容包括：趋势、平稳时间序列模型、非平稳时间序列模 型、模型识别、参数估计、模型诊断、预测、季节模型、时间序列回归模型、异方差时间序列模型、谱分析入门、谱估计、门限模型.对所有的思想和方法，都用真 实数据集和模拟数据集进行了说明。
本书可作为高等院校统计、经济、商科、工程及定量社会科学等专业学生的教材或教学参考书，同时也可供相关技术人员使用。

Ⅱ 涓や釜y涓涓獂r璇瑷濡备綍琛ㄧず

璇ヨ偂宸查櫎𨱒冦倄r璇瑷琛ㄧず璇ヨ偂宸查櫎𨱒冿纴璐涔拌繖镙风殑镶＄エ钖庡皢涓嶅啀浜链夊垎绾㈢殑𨱒冨埄銆傝瑷锛屾槸浜虹被杩涜屾矡阃氢氦娴佺殑琛ㄨ揪鏂瑰纺锛岃瑷鏄姘戞棌镄勯吨瑕佺壒寰佷箣涓銆

Ⅲ R语言里的一个语句不明白啥意思

在quantmod包里面；
getSymbols(Symbols = NULL,
env = parent.frame(),
reload.Symbols = FALSE,
verbose = FALSE,
warnings = TRUE,
src = "yahoo",
symbol.lookup = TRUE,
auto.assign = getOption('getSymbols.auto.assign',TRUE),
...)

auto.assign=F表示不自动赋值；需要手动指定变量去存储数据。否则就是自动赋值给Symbols变量。

Ⅳ 机器学习有哪些算法

朴素贝叶斯分类器算法是最受欢迎的学习方法之一，按照相似性分类，用流行的贝叶斯概率定理来建立机器学习模型，特别是用于疾病预测和文档分类。 它是基于贝叶斯概率定理的单词的内容的主观分析的简单分类。

什么时候使用机器学习算法 - 朴素贝叶余手斯分类器？

（1）如果您有一个中等或大的训练数据集。

（2）如果实例具有几个属性。

（3）给定分类参数，描述实例的属性应该是条件独立的。

A．朴素贝叶斯分类器的应用

（1）这些机器学习算法有助于在不确定性下作出决策，并帮助您改善沟通，因为他们提供了决策情况的可视化表示。

（2）决策树机器学习算法帮助数据科学家捕获这样的想法：如果采取了不同的决策，那么情境或模型的操作性质将如何剧烈变化。

（3）决策树算法通过允许数据科学家遍历前向和后向计算路径来帮助做出最佳决策。

C．何时使用决策树机器学习算法

（1）决策树对错误是鲁棒的，并且如果训练数据包含错误，则决策树算法将最适合于解决这样的问题。

（2）决策树最适合于实例由属性值对表示的问题。

（3）如果训练数据具有缺失值，则可以使用决策树，因为它们可以通过查看其他列中的数据来很好地处理丢失的值。

（4）当目标函数具有离散输出值时，决策树是最适合的。

D.决策树的优点

（1）决策树是非常本能的，可以向任何人轻松解释。来自非技术背景的人，也可以解释从决策树绘制的假设，因为他们是不言自明的。

（2）当使用决策树机器学习算法时，数据类型不是约束，因为它们可以处理分类和数值变量。

（3）决策树机器学习算法不需要对数据中的线性进行任何假设，因此可以在参数非线性相关的情况下使用。这些机器学习算法不对分类器结构和空间分布做出任何假设。

（4）这些算法在数据探索中是有用的。决策树隐式执行特征选择，这在预测分析中非常重要。当决策树适合于训练数据集时，在其上分割决策树的顶部的节点被认为是给定数据集内的重要变量，并且默认情况下完成特征选择。

（5）决策树有助于节省数据准备时间，因为它们对缺失值和异常值不敏感。缺少值不会阻止您拆分构建决策树的数据。离群值也不会影响决策树，因为基于分裂范围内的一些样本而不是准确的绝对值发生数据分裂。

E.决策树的缺点

（1）树中决策的数量越多，任何预期结果的准确性越小。

（2）决策树机器学习算法的主要缺点是结果可能基于预期。当实时做出决策时，收益和产生的结果可能与预期或计划不同。有机会，这可能导致不现实的决策树导致错误的决策。任何不合理的期望可能导致决策树分析中的重大错误和缺陷，因为并不总是可能计划从决策可能产生的所有可能性。

（3）决策树不适合连续变量，并导致不稳定性和分类高原。

（4）与其他决策模型相比，决策树很容易使用，但是创建包含几个分支的大决策树是一个复杂和耗时的任务。

（5）决策树机器学习算法一次只考虑一个属性，并且可能不是最适合于决策空间中的实际数据。

（6）具有多个分支的大尺寸决策树是不可理解的，并且造成若干呈现困难。

F.决策树机器学习算法的应用

（1）决策树是流行的机器学习算法之一，它在财务中对期权定价有很大的用处。

（2）遥感是基于决策树的模式识别的应用领域。

（3）银行使用决策树算法按贷款申请人违约付款的概率对其进行分类。

（4）Gerber产品公司，一个流行的婴儿产品公司，使用决策树机器学习算法来决定他们是否应继续使用塑料PVC（聚氯乙烯）在他们的产品。

（5）Rush大学医学中心开发了一个名为Guardian的工具，它使用决策树机器学习算法来识别有风险的患者和疾病趋势。

Python语言中的数据科学库实现决策树机器学习算法是 - SciPy和Sci-Kit学习。

R语言中的数据科学库实现决策树机器学习算法是插入符号。

3.7 随机森林机器学习算法

让我们继续我们在决策树中使用的同样的例子，来解释随机森林机器学习算法如何工作。提利昂是您的餐厅偏好的决策树。然而，提利昂作为一个人并不总是准确地推广你的餐厅偏好。要获得更准确的餐厅推荐，你问一对夫妇的朋友，并决定访问餐厅R，如果大多数人说你会喜欢它。而不是只是问Tyrion，你想问问Jon Snow，Sandor，Bronn和Bran谁投票决定你是否喜欢餐厅R或不。这意味着您已经构建了决策树的合奏分类器 - 也称为森林。

你不想让所有的朋友给你相同的答案 - 所以你提供每个朋友略有不同的数据。你也不确定你的餐厅偏好，是在一个困境。你告诉提利昂你喜欢开顶屋顶餐厅，但也许，只是因为它是在夏天，当你访问的餐厅，你可能已经喜欢它。在寒冷的冬天，你可能不是餐厅的粉丝。因此，所有的朋友不应该利用你喜欢打开的屋顶餐厅的数据点，以提出他们的建议您的餐厅偏好。

通过为您的朋友提供略微不同的餐厅偏好数据，您可以让您的朋友在不同时间向您询问不同的问题。在这种情况下，只是稍微改变你的餐厅偏好，你是注入随机性在模型级别（不同于决策树情况下的数据级别的随机性）。您的朋友群现在形成了您的餐厅偏好的随机森林。

随机森林是一种机器学习算法，它使用装袋方法来创建一堆随机数据子集的决策树。模型在数据集的随机样本上进行多次训练，以从随机森林算法中获得良好的预测性能。在该整体学习方法中，将随机森林中所有决策树的输出结合起来进行最终预测。随机森林算法的最终预测通过轮询每个决策树的结果或者仅仅通过使用在决策树中出现最多次的预测来导出。

例如，在上面的例子 - 如果5个朋友决定你会喜欢餐厅R，但只有2个朋友决定你不会喜欢的餐厅，然后最后的预测是，你会喜欢餐厅R多数总是胜利。

A.为什么使用随机森林机器学习算法？

（1）有很多好的开源，在Python和R中可用的算法的自由实现。

（2）它在缺少数据时保持准确性，并且还能抵抗异常值。

（3）简单的使用作为基本的随机森林算法可以实现只用几行代码。

（4）随机森林机器学习算法帮助数据科学家节省数据准备时间，因为它们不需要任何输入准备，并且能够处理数字，二进制和分类特征，而无需缩放，变换或修改。

（5）隐式特征选择，因为它给出了什么变量在分类中是重要的估计。

B.使用随机森林机器学习算法的优点

（1）与决策树机器学习算法不同，过拟合对随机森林不是一个问题。没有必要修剪随机森林。

（2）这些算法很快，但不是在所有情况下。随机森林算法当在具有100个变量的数据集的800MHz机器上运行时，并且50,000个案例在11分钟内产生100个决策树。

（3）随机森林是用于各种分类和回归任务的最有效和通用的机器学习算法之一，因为它们对噪声更加鲁棒。

（4）很难建立一个坏的随机森林。在随机森林机器学习算法的实现中，容易确定使用哪些参数，因为它们对用于运行算法的参数不敏感。一个人可以轻松地建立一个体面的模型没有太多的调整

（5）随机森林机器学习算法可以并行生长。

（6）此算法在大型数据库上高效运行。

（7）具有较高的分类精度。

C.使用随机森林机器学习算法的缺点

他们可能很容易使用，但从理论上分析它们是很困难的。

随机森林中大量的决策树可以减慢算法进行实时预测。

如果数据由具有不同级别数量的分类变量组成，则算法会偏好具有更多级别的那些属性。 在这种情况下，可变重要性分数似乎不可靠。

当使用RandomForest算法进行回归任务时，它不会超出训练数据中响应值的范围。

D.随机森林机器学习算法的应用

（1）随机森林算法被银行用来预测贷款申请人是否可能是高风险。

（2）它们用于汽车工业中以预测机械部件的故障或故障。

（3）这些算法用于医疗保健行业以预测患者是否可能发展成慢性疾病。

（4）它们还可用于回归任务，如预测社交媒体份额和绩效分数的平均数。

（5）最近，该算法也已经被用于预测语音识别软件中的模式并对图像和文本进行分类。

Python语言中的数据科学库实现随机森林机器学习算法是Sci-Kit学习。

R语言的数据科学库实现随机森林机器学习算法randomForest。

Ⅳ R语言怎么把股票日收盘价转换成对数收益率

知道一系列收盘价向量X,length=1000,求对数收益率的R语言代码
acf(int[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly

acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
log return')

Box.test(int[,2], lag = 5, type = "Ljung-Box")
Box.test(int[,2], lag = 10, type = "Ljung-Box")
Box.test(int.l[,2], lag = 5, type = "Ljung-Box")
Box.test(int.l[,2], lag = 10, type = "Ljung-Box")

运行结错误办

> int <- read.table("d-intc7208.txt", head=T)
错误于file(file, "rt") : 打链结
外: 警告信息：
In file(file, "rt") :
打文件'd-intc7208.txt': No such file or directory

+ acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int monthly
错误: 意外符号 in:
"
acf(int.l[,2], lag.max = 15,type = "correlation", plot = TRUE,main='int"
> log return')
错误: 意外符号 in "log return"

Ⅵ R璇瑷閲戣瀺娉㈠姩鐜囧缓妯|锘轰簬SGED鍒嗗竷镄勫彉鍙傛暟ARIMA+EARCH锷ㄦ侀勬祴妯″瀷镄勭爷绌

閲戣瀺娉㈠姩鐜囩殑R璇瑷鎺㈢储锛歋GED鍒嗗竷椹卞姩镄勫彉鍙傛暟ARIMA+EARCH锷ㄦ侀勬祴妯″瀷璇﹁В</

鐢遍噾铻岖珵璧涜幏濂栬咃纴R璇瑷涓揿堕绨绁ヤ细甯︽潵镄勬繁搴︾爷绌讹纴浠栧皢涓扑笟鐭ヨ瘑搴旂敤浜庡疄鎴桡纴鎺㈢储娌娣5镶＄殑镞ユ敹鐩婄巼娉㈠姩镐ч勬祴銆傛湰鏂囩殑铹︾偣鍦ㄤ簬鏋勫缓涓涓鍒涙柊镄勬ā鍨嬶纴鍗砈GED鍒嗗竷鏀鎸佺殑鍙桦弬鏁痨RIMA+EARCH锷ㄦ侀勬祴妯″瀷锛屾棬鍦ㄦ彮绀鸿偂绁ㄦ敹鐩婄巼镄勨滃皷宄板帤灏锯濈壒镐т笌闱炲圭О娉㈠姩銆

镙稿绩镰旂┒</

• 棰勬祴鐩镙囷细</瀵规暟鏀剁泭鐜囷纴锲犲叾鑳芥湁鏁埚勭悊浠锋牸娉㈠姩


• 妯″瀷鏋勫缓锛</ARIMA澶勭悊镞堕棿搴忓垪镄勮板繂镐э纴EGARCH璐熻矗鎹曟崏寮傛柟宸鍜屾尝锷ㄩ泦镵氾纴钥孲GED鍒欑敤浜庨潪姝ｆ佸垎甯冨拰铡氩熬镄勭壒镐


• 娣峰悎妯″瀷锛</ARIMA涓嶦GARCH镄勮瀺钖堬纴阃氲繃婊氩姩镞堕棿绐楀彛锷ㄦ佽皟鏁村弬鏁帮纴鎻愬崌棰勬祴镄勭簿纭搴

鍦ㄦ繁鍏ョ爷绌朵腑锛屾垜浠鍙戠幇锛

• ARIMA涓嶣ox-Ljung妫楠屾彮绀轰简鏀剁泭鐜囧簭鍒楃殑闀胯板繂镐у拰寮傛柟宸镐


• ARCH鏁埚簲妫楠岀‘璁や简娉㈠姩闱炲圭О镐э纴鍗曚竴妯″瀷涓嶈冻浠ュ厖鍒嗘弿杩帮纴锲犳ゅ紩鍏ARMA+GARCH镄勮仈钖堟ā鍨


• 瀹炶瘉鍒嗘瀽閲囩敤鍙桦弬鏁痨RIMA+EGARCH妯″瀷锛岄氲繃婊氩姩绐楀彛浼桦寲鍙傛暟锛岀粨鏋沧樉绀哄叾棰勬祴镐ц兘浼树簬绠鍗旷殑涔板叆鎸佹湁绛栫暐


• 缁撹猴细鏀硅繘镄勬ā鍨嬭兘澶熸湁鏁堟崟鎹夋敹鐩婄巼鍙桦寲锛岄勬祴鏁堟灉鏄捐宪銆傜劧钥岋纴妯″瀷镄勮＄畻澶嶆潅搴﹀拰椋庨橹鎺у埗浠嶆湁鎻愬崌绌洪棿锛屽逛簬鏋佺浜嬩欢锛岄渶缁揿悎鍏朵粬鎸囨爣锅氩喅绛

鍦ㄧ悊璁烘敮鎸佹柟闱锛岀爷绌跺熼壌浜嗗备笅镄勫︽湳鎴愭灉锛

• Evolutionary LENN paper: IJAEC, 2016(1)


• [Zhang & Zhang] 鍦ㄣ婇噾瑙﹀竞鍦笃aR锷ㄦ侊细GARCH-EVT銆嬩腑鎺㈣ㄤ简璐甸噾灞炲竞鍦虹殑娉㈠姩鐗规


• [Ren & Qin] 銆婅揣甯佹尝锷ㄥ垎鏋愪腑镄𪞝RFIMA-EGARCH-M銆嬫彁渚涗简娣卞叆镄勮揣甯佸竞鍦烘ā鍨嬬爷绌


• [Yang & Xiao] 鍦ㄣ婂师娌逛环镙奸庨橹搴﹂噺锛欰RMA-APARCH-SGED銆嬩腑锛屾帰璁ㄤ简澶嶆潅甯傚満鐜澧冧笅镄勯庨橹绠＄悊


• Tsay镄勚婇噾铻嶆椂闂村簭鍒楀垎鏋愩嫔拰銆奟璇瑷閲戣瀺鏁版嵁鍒嗘瀽鍏ラ棬銆嬫彁渚涗简涓板瘜镄勭悊璁哄熀纭鍜屽疄镎嶆寚鍗


• Cai镄勚奟璇瑷閲忓寲鎶曡祫銆嬩负瀹炶返搴旂敤鎻愪緵浜嗗疄鐢ㄥ伐鍏

榻愮ゥ浼氱殑杩欎竴绯诲垪镰旂┒锛屼笉浠呮繁鍖栦简鎴戜滑瀵归噾铻嶆尝锷ㄧ殑鐞呜В锛屼篃涓烘姇璧勮呮彁渚涗简绮惧嗳镄勯勬祴宸ュ叿锛屽姪锷涗粬浠鍦ㄩ噾铻嶅竞鍦轰腑鎶婃彙链洪亣銆

Ⅶ 请问如何用R语言做大量次数的几何布朗运动的模拟（参数μ，σ已知）

这上网搜应该搜的到吧，比如这篇文章"
股票价格行为关于几何布朗运动的模拟--基于中国上证综指的实证研究
",照着几何布朗运动的公式直接写代码应该就行了吧，代码逻辑都很清晰。

下面是照着这片文章模拟一次的代码，模拟多次的话，外面再套个循环应该就行了。然后再根据均方误差(一般用这个做准则的多)来挑最好的。
话说你的数据最好别是分钟或者3s切片数据，不然R这速度和内存够呛。
N <- 2000 #模拟的样本数
S0 <- 2000 #初始值
mu <- 0.051686/100
sigma <- 1.2077/100
St <- rep(0,N)
epsion <- rnorm(N,0,1) #正态分布随机数
for(i in 1:N) {
if(i == 1) {
delta_St <- mu * S0 + sigma * S0 * epsion[i]
St[i] <- S0 + delta_St
}else {
delta_St <- mu * St[i-1] + sigma * St[i-1] * epsion[i]
St[i] <- St[i-1] + delta_St
}
}
Final_St <- c(S0,St) #最终结果
plot(Final_St,type = "l")