R语言结合新冠疫情COVID-19股票价格预测（ARIMA，KNN和神经网络时间序列分析） R语言结合新冠疫情COVID-19股票

原文链接：http://tecdat.cn/?p=24057 1.概要本文的目标是使用各种预测模型预测Google的未来股价，然后分析各种模型。Google股票数据集是使用R中的Quantmod软件包从Yahoo Finance获得的。
2.简介预测算法是一种试图根据过去和现在的数据预测未来值的过程。提取并准备此历史数据点，来尝试预测数据集所选变量的未来值。在市场历史期间，一直有一种持续的兴趣试图分析其趋势，行为和随机反应。不断关注在实际发生之前先了解发生了什么，这促使我们继续进行这项研究。我们还将尝试并了解 COVID-19对股票价格的影响。
3.所需包

library(quantmod) R的定量金融建模和交易框架 library(forecast) 预测时间序列和时间序列模型 library(tseries) 时间序列分析和计算金融。 library(timeseries) 'S4'类和金融时间序列的各种工具。 library(readxl) readxl包使你能够轻松地将数据从Excel中取出并输入R中。 library(kableExtra) 显示表格 library(data.table) 大数据的快速聚合 library(DT) 以更好的方式显示数据 library(tsfknn) 进行KNN回归预测

4.数据准备 4.1导入数据我们使用Quantmod软件包获取了Google股票价格2015年1月1日到2020年4月24日的数据，用于我们的分析。为了分析COVID-19对Google股票价格的影响，我们从quantmod数据包中获取了两组数据。

首先将其命名为data\_before\_covid，其中包含截至2020年2月28日的数据。
第二个名为data\_after\_covid，其中包含截至2020年4月24日的数据。

所有分析和模型都将在两个数据集上进行，以分析COVID-19的影响（如果有）。

getSymbols("GOG" fro= "2015-01-01", to = "2019-02-28") before_covid <-dafae(GOOG)getSymbols("GOG" , frm = "2015-01-01") after_covid <- as.tae(GOOG)

4.2数据的图形表示

par(mfrow = c(1,2)) plot.ts(fore_c)

R语言结合新冠疫情COVID-19股票价格预测（ARIMA，KNN和神经网络时间序列分析）

文章图片

4.3数据集预览最终数据集可以在下面的交互式表格中找到。

table(before_covid)

文章图片

4.4变量汇总
变量
描述
Open
当日股票开盘价
High
当日股票最高价
Low
当日股价最低
Close
当日股票收盘价
Volumn
总交易量
Adjusted
调整后的股票价格，包括风险或策略
5. ARIMA模型我们首先分析两个数据集的ACF和PACF图。

par(mfrow = c(2,2)) acft(bfoe_covid) pacf(bfre_covid)

文章图片

然后，我们进行 ADF（Dickey-Fuller）检验和 KPSS（Kwiatkowski-Phillips-Schmidt-Shin）检验，检验两个数据集收盘价的时间序列数据的平稳性。

print(adf.test)

文章图片

print(adfes(sata\_after\_covid))

【R语言结合新冠疫情COVID-19股票价格预测（ARIMA，KNN和神经网络时间序列分析）】

文章图片

通过以上ADF检验，我们可以得出以下结论：

对于COVID-19之前的数据集，ADF测试给出的p值为 0.2093，该值大于0.05，因此说明时间序列数据不是平稳的。
对于COVID-19之后的数据集，ADF测试给出的p值为0.01974，该值小于0.05，这说明时间序列数据是平稳的。

print(kpss.s(t\_before\_covid))

文章图片

print(kpss.est(Dafter_covid))

文章图片

通过以上KPSS测试，我们可以得出以下结论：

对于COVID-19之前的数据集，KPSS测试得出的p值为 0.01，该值小于0.05，因此说明时间序列数据不是平稳的。
对于COVID-19之后的数据集，KPSS测试给出的p值为 0.01，该值小于0.05，这说明时间序列数据不是平稳的。

因此，我们可以从以上两个测试得出结论，时间序列数据不是平稳的。
然后，我们使用 auto 函数来确定每个数据集的时间序列模型。

auto.ar(befor_covid, lamd = "auto")

文章图片

auto.arma(after_covid)

文章图片

从auto函数中，我们得出两个数据集的以下模型：

在COVID-19之前：ARIMA（2,1,0）
在COVID-19之后：ARIMA（1,1,1）

获得模型后，我们将对每个拟合模型执行残差诊断。

par(mfrow = c(2,3))plot(before_covidresiduals)plot(mfter_covidresiduals)

文章图片

从残差图中，我们可以确认残差的平均值为0，并且方差也为常数。对于滞后> 0，ACF为0，而PACF也为0。
因此，我们可以说残差表现得像白噪声，并得出结论：ARIMA（2,1,0）和ARIMA（1,1,1）模型很好地拟合了数据。或者，我们也可以使用Box-Ljung检验在0.05的显着性水平上进行检验残差是符合白噪声。

Box.test(moderesiduals)

文章图片

Box.tst(moeit\_fter\_covidreia, type = "Ljung-Box")

文章图片

在此，两个模型的p值均大于0.05。因此，在显着性水平为0.05的情况下，我们无法拒绝原假设，而得出的结论是残差遵循白噪声。这意味着该模型很好地拟合了数据。
一旦为每个数据集确定了模型，就可以预测未来几天的股票价格。

文章图片

6. KNN回归时间序列预测模型 KNN模型可用于分类和回归问题。最受欢迎的应用是将其用于分类问题。现在，使用r软件包，可以在任何回归任务应用KNN。这项研究的目的是说明不同的预测工具，对其进行比较并分析预测的行为。在我们的KNN研究之后，我们提出可以将其用于分类和回归问题。为了预测新数据点的值，模型使用“特征相似度”，根据新点与训练集上点的相似程度为值分配新点。
第一项任务是确定我们的KNN模型中的k值。选择k值的一般经验法则是取样本中数据点数的平方根。因此，对于COVID-19之前的数据集，我们取k = 32；对于COVID-19之后的数据集，我们取k = 36。

par(mfrow = c(2,1)) knn\_before\_covid <- kn(bfrvdGO.Clse,k = 32) knn\_after\_covid <- kn(ber_oiGOG.lose ,k = 36)plot(knn\_before\_covid ) plot(knn\_after\_covid )

文章图片

然后，我们针对预测时间序列评估KNN模型。

before\_cvid <- ll\_ig(pdn\_befr\_vid) afer\_vd<- rog\_ogn(redkn\_afer\_vd)

文章图片

7.前馈神经网络建模我们将尝试实现的下一个模型是带有神经网络的预测模型。在此模型中，我们使用单个隐藏层形式，其中只有一层输入节点将加权输入发送到接收节点的下一层。预测函数将单个隐藏层神经网络模型拟合到时间序列。函数模型方法是将时间序列的滞后值用作输入数据，以达到非线性自回归模型。
第一步是确定神经网络的隐藏层数。尽管没有用于计算隐藏层数的特定方法，但时间序列预测遵循的最常见方法是通过计算使用以下公式：

文章图片

其中Ns：训练样本数Ni：输入神经元数No：输出神经元数a：1.5 ^ -10

#隐藏层的创建 hn\_before\_covid <- length(before.Close)/(alpha*(lengthGOOG.Close + 61) hn\_after\_covid <- length(after\_covidClose)/(alpha*(lengthafter\_ovdClose+65))#拟合nnnn(before\_covid$GOOG.Close, size = hn\_beoe_cid, # 使用nnetar进行预测。 forecast(befe_cvid, h 61, I =UE) forecast(aftr_coid, h = 5, I = RE)

文章图片

plot(nn\_fcst\_afte_cvid)

文章图片

然后，我们使用以下参数分析神经网络模型的性能：

accuracy

文章图片

accuracy

文章图片

8.所有模型的比较现在，我们使用参数诸如RMSE（均方根误差），MAE（均值绝对误差）和MAPE（均值绝对百分比误差）对所有三个模型进行分析。

sumary\_le\_efore_oid <- data.frame(RMSE = nuerc(), MAE = uer(), MAPE = numric(), snsAsacrs = FALSE)summ\_tabe\_fter_ovd <- data.fame(RMSE = umeri(), MAE = nmei(), MAPE = numeic())kable(smary\_abe\_eor_oid )

COVID-19之前的数据模型汇总
模型
RMSE
MAE
MAPE
ARIMA
13.0
8.8
1.0
KNN
44.0
33.7
3.1
神经网络
13.0
8.7
1.0

kable(sumary\_tbl\_aft_ci fulith = F, fixdtead = T )

COVID-19之后的数据模型汇总
模型
RMSE
MAE
MAPE
ARIMA
16.6
10.4
1.0
KNN
45.9
35.7
3.3
神经网络
14.7
9.8
1.0
因此，从以上模型性能参数的总结中，我们可以看到神经网络模型在两个数据集上的性能均优于ARIMA和KNN模型。因此，我们将使用神经网络模型来预测未来两个月的股价。
9.最终模型：COVID-19之前现在，我们使用直到2月的数据来预测3月和4月的值，然后将预测价格与实际价格进行比较，以检查是否由于COVID-19可以归因于任何重大影响。

foestdungcvid<- datafame("De "Actua Values" = datatable(foestdungcvid, ilte= 'to')

文章图片

从表中我们可以看到，3月和4月期间，Google股票的实际价值通常比预测值要高一些。因此，可以说，尽管发生了这种全球性大流行，但Google股票的表现仍然相当不错。
10.最终模型：COVID-19之后现在，我们使用直到4月的数据预测5月和6月的值，以了解Google的未来股价。

foreataov <- data.frae(dn_reataeimean )table(foreataov )

文章图片

从表中可以得出结论，在5月和6月的接下来的几个月中，Google股票的价格将继续上涨并表现良好。

文章图片

最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
3.使用r语言进行时间序列（arima，指数平滑）分析
4.r语言多元copula-garch-模型时间序列预测
5.r语言copulas和金融时间序列案例
6.使用r语言随机波动模型sv处理时间序列中的随机波动
7.r语言时间序列tar阈值自回归模型
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类
9.python3用arima模型进行时间序列预测