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)

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

推荐阅读

• 

  用Photoshop对含有头发丝的人物图片进行扣图实例教程
• 

  牛肉丸放冰箱能放多久 牛肉丸放冰箱能保存多久
• 

  阿胶糕保质期一般多久独立真空包装
• 

  柴油发电机打不着火是什么原因 柴油发电机打火打不动是什么原因
• 

  白露节气的特点
• 

  使用注解编写java代码
• 

  异地恋你们见面后第一件事情是做什么？欢迎大家分享一下？
• 

  如何更换iPhone手机铃声？
• 

  三星ES8000有3D功能吗,三星es28相机说明？
• 

  怎样判断车灯是否更换了 如何判断车灯是否更换了
• 

  支付宝蚂蚁积分可以兑换什么？支付宝蚂蚁积分兑换规则
• 

  深圳社保最低参缴基数是多少
• 

  我的眼里住着一条深情的河
• 

  对系统分析人员的要求是
• 

  国家电网报名需要学位编号,但是国外留学生没有怎么报名呢？
• 

  mongodb和redis性能对比 mongodb与redis哪个用得多
• 

  拍一部企业宣传片到底要多少钱？ 拍宣传片多少钱
• 

  数值分析上册习题及答案
• 

  立春的风俗 立春的风俗及饮食
• 

  口罩过敏脸上发红长痘痘怎么办

• 【生信技能树】R语言练习题|【生信技能树】R语言练习题 - 中级
• 一起来学习C语言的字符串转换函数
• C语言字符函数中的isalnum()和iscntrl()你都知道吗
• C语言浮点函数中的modf和fmod详解
• C语言中的时间函数clock()和time()你都了解吗
• 必胜的战争
• 被新冠“病毒”感染的日常生活（八）
• C语言学习|第十一届蓝桥杯省赛 大学B组 C/C++ 第一场
• 【38】“劳逸结合”的重要性
• C语言解方程的根和判断是否是闰年