R语言平稳性ADF检验、ARCH-LM效应检验分析收盘价收益率数据可视化

全文链接：https://tecdat.cn/?p=35081

数据读取和处理是金融分析中非常重要的一步。为了减少误差，在估计时我们可以对每个交易日的收盘价进行自然对数处理，即对日收益率进行计算。本文通过R软件对金融数据帮助客户进行读取和处理，并进行了收益率波动图、收益率序列的平稳性检验、自相关图和偏自相关图以及ARCH效应检验等分析。通过这些分析，我们可以更好地理解和预测金融市场的变化。

数据读取和处理

为减少误差，估计时根据每个交易日的收盘价对日收益率进行自然对数处理，即收益率r=log(/)。

##读取数据  
  
golddata=read.csv("数据.csv")  
head(golddata)

Valuedata=ts(Valuedata,start = c(2008,2),frequency=365)

为减少误差，在估计时，根据每个交易日的收盘价对日收益率进行自然对数处理，即将收益率根据以下公式进行计算：

绘制收益率波动图

log(lag(Valuedata)) - log(Valuedata)

datadesc(Valuedata1)

通过R软件得到 指数日收益率直方图

日收益率偏度为3.309377，其分布是右偏的，其峰度为 3.309377，远高于正态分布的峰度值3。 可知，收益率不服从正态分布，即利用所用基于正态分布统计方法对收益率序的检验均失效。

收益率序列的平稳性检验（ADF检验）

平稳性检验最常用的方法为单位根方法，运用R软件，对日收益率进行单位根检验，检验结果如下

从单位根检验结果可看出： 单位根检验的p-value小于相应临界值0.05，从而拒绝原假设，表明 收益率 不存在单位根，是平稳序列，即服从I(0)过程

通过R软件画出 日收益率的自相关图和收益率的偏自相关图

从自相关图和偏自相关图的结果来看，对数收益率的自相关函数值和偏自相关函数值很快落入置信区间，因此对数收益率稳定。

ARCH效应检验

1.滞后阶数的选择及均值方程的确定

residuals<-ols$residuals

根据Chi-squared最小原则可以看出滞后1期为最优，故选择滞后阶数为1，则公式可以写成。

2.残差序列自相关检验（日收益率的残差和残差平方自相关图）

从序列残差图中可以看出，相关系数基本落入蓝色虚线（95%置信区间）内， 即表明：日收益率残差不存在显著的自相关。而从残差平方图中可看出，相关系数都没落入蓝色虚线（95%置信区间）内，即表明：日收益率的残差平方有显著的自相关，显示出ARCH效应。

3.对残差平方做线性图

从残差平方线性图可以看出，回归方程的残差。

---

最受欢迎的见解

1.[](https://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e7%94...)用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用

2.[](https://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88...)R语言GARCH-DCC模型和DCC（MVT）建模估计

3.[](https://tecdat.cn/r%e8%af%ad%e8%a8%80%e5%a6%82%e4%bd%95%e5%9c...)R语言实现 Copula 算法建模依赖性案例分析报告

4.[](https://tecdat.cn/r%e8%af%ad%e8%a8%80%e4%b8%ad%e4%bd%bf%e7%94...)R语言COPULAS和金融时间序列数据VaR分析

5.[](https://tecdat.cn/r%e8%af%ad%e8%a8%80%e7%94%9f%e5%ad%98%e5%88...)R语言多元COPULA GARCH 模型时间序列预测

6.[](https://tecdat.cn/r%e8%af%ad%e8%a8%80ggplot2%e8%af%af%e5%b7%a...)用R语言实现神经网络预测股票实例

7.[](https://tecdat.cn/r-%e8%af%ad%e8%a8%80%e7%bb%98%e5%88%b6%e5%8...)r语言预测波动率的实现：ARCH模型与HAR-RV模型

8.[](https://tecdat.cn/r%e8%af%ad%e8%a8%80%e5%a6%82%e4%bd%95%e6%89...)R语言如何做马尔科夫转换模型markov switching model

9.matlab使用Copula仿真优化市场风险