R语言数据分析案例：基于向量自回归模型的标准普尔500指数长期预测与机制分析

R语言数据分析案例：基于向量自回归模型的标准普尔500指数长期预测与机制分析

引用

CSDN

1.

https://blog.csdn.net/m0_62638421/article/details/139597844

本文将介绍如何使用R语言进行标准普尔500指数的长期预测分析。通过向量自回归（VAR）模型，我们将探讨如何基于历史数据预测未来走势，并分析其背后的经济机制。

一、背景介绍

2007 年的全球经济危机深刻改变了世界经济格局，引发了一系列连锁反应，波及各大洲。经济增长停滞不前，甚至在某些情况下出现负增长，给出口导向型发展中国家带来了不确定性。实体经济受到的冲击尤为严重，生产成本上升，利润下降，实际经济价值缩水。相比之下，金融部门的投资活动激增，原因是在动荡的经济环境中寻求稳定和更高的回报。然而，金融投资的性质与实体经济有很大不同，实体经济的特点是复杂且往往不可预测的因素交织在一起。

二、研究现状

理解和掌握标准普尔 500 指数的变化规律，对于正确评估美国经济趋势、跟踪世界经济发展的源和流、参与全球市场套利和定价具有重要的现实意义。基于标准普尔 500 指数在金融市场中的重要地位，标准普尔 500 指数的预测受到研究人员的更多关注。

目前对标准普尔 500 指数的研究主要集中在短期预测上，使用不同的研究工具。例如，[1]在预测标准普尔 500 指数值时使用隐马尔可夫链方法和离散时间马尔可夫链方法，指出使用全样本数据和特征子样本时预测效果更好。

三、数据集介绍和分析

3.1 数据分析

在这项研究中，选择了美国股票的标准普尔 500 指数进行预测分析，并初步选择开盘价、最高价、最低价和收盘价作为研究数据。

标准普尔 500 指数的数据收集时间为 1995 年 1 月 3 日至 2020 年 12 月 31 日，包括该期间内的交易日。

library(quantmod)
library(TTR)
data$Date <- as.Date(data$Date, format = "%Y/%m/%d")
# （VWAP）
data$VWAP <- with(data, rowSums(data[, c("High", "Low", "Close")]) / 3 * Volume / sum(data$Volume))  

# Convert data to xts objects
HTM_xts <- xts(HTM[, c("Open", "High", "Low", "Close")], order.by = HTM$Date)
plot(HTM_xts)
addLegend("topleft", legend.names = colnames(HTM_xts), lwd = 1)  

3.2稳定性分析

该检验的原假设和备择假设为：

• 原假设：该序列存在单位根。
• 备择假设：该序列不存在单位根。

如果我们不能拒绝原假设，我们可以说该序列是非平稳的。

以收盘价为例，通过上图我们可以看出，该指数的均值和标准差都在增加，初步判断该序列是非平稳的。

Variable	ADF Statistic	p value
Dickey-Fuller Test	Open	-0.428
		0.985
High	-0.250	0.990
Low	-0.525	0.981
Close	-0.442	0.984

从表 1 中，我们观察到所有四个时间序列的 p 值都大于 0.05。因此，我们不能拒绝原假设，并得出时间序列是非平稳的结论。为了解决这个问题，我们需要对序列进行差分。

四、方法理论

向量自回归（VAR）模型是自回归（AR）模型的扩展，是一种常用的计量经济模型[6]。它考虑了多个变量之间的相互依赖关系，比简单的 AR 模型更全面。

五、模型建立和分析

选择 1995-01-03 至 2020-11-16 期间作为训练集，预测 2020-11-17 至 2020-12-31 期间的数据。