ime Series Analysis In this chapter, we consider some advanced time series methods and their implementation using R. Time series analysis, as a discipline, is broad enough to fill hundreds of books (the most important references, both in theory and R programming, will be listed at the end of this chapter's reading list); hence, the scope of this chapter is necessarily highly selective, and we focus on topics that are inevitably important in empirical finance and quantitative trading. It should be emphasized at the beginning, however, that this chapter only sets the stage for further studies in time series analysis. Our previous book Introduction to R for Quantitative Finance, Packt Publishing, discusses some fundamental topics of time series analysis such as linear, univariate time series modeling, Autoregressive integrated moving average (ARIMA), and volatility modeling Generalized Autoregressive Conditional Heteroskedasticity (GARCH). If you have never worked with R for time series analysis, you might want to consider going through Chapter 1, Time Series Analysis of that book as well. The current edition goes further in all of these topics and you will become familiar with some important concepts such as cointegration, vector autoregressive models, impulse-response functions, volatility modeling with asymmetric GARCH models including exponential GARCH and Threshold GARCH models, and news impact curves. We first introduce the relevant theories, then provide some practical insights to multivariate time series modeling, and describe several useful R packages and functionalities. In addition, using simple and illustrative examples, we give a step-by-step introduction to the usage of R programming language for empirical analysis.
چکیده فارسی
تجزیه و تحلیل سری های زمانی در این فصل، ما برخی از روش های پیشرفته سری های زمانی را در نظر می گیریم و اجرای آنها با استفاده از R. برنامه نویسی، در انتهای فهرست خواندن این فصل ذکر خواهد شد). از این رو، دامنه این فصل لزوماً بسیار انتخابی است، و ما بر موضوعاتی تمرکز میکنیم که در امور مالی تجربی و تجارت کمی اهمیت اجتنابناپذیری دارند. البته در ابتدا باید تاکید کرد که این فصل فقط زمینه را برای مطالعات بیشتر در تحلیل سری های زمانی فراهم می کند. کتاب قبلی ما مقدمهای بر R برای مالی کمی، انتشارات بسته، برخی از موضوعات اساسی تحلیل سریهای زمانی مانند مدلسازی سریهای زمانی خطی، تک متغیره، میانگین متحرک یکپارچه خودرگرسیون (ARIMA) و مدلسازی نوسانات را مورد بحث قرار میدهد. اگر هرگز با R برای تجزیه و تحلیل سری های زمانی کار نکرده اید، ممکن است بخواهید فصل 1، تجزیه و تحلیل سری های زمانی آن کتاب را نیز مرور کنید. نسخه فعلی در تمامی این موضوعات فراتر می رود و شما با مفاهیم مهمی مانند هم انباشتگی، مدل های خودرگرسیون برداری، توابع واکنش ضربه ای، مدل سازی نوسانات با مدل های GARCH نامتقارن از جمله مدل های GARCH نمایی و GARCH آستانه، و منحنی های تاثیر اخبار آشنا می شوید. . ابتدا نظریههای مربوطه را معرفی میکنیم، سپس برخی از بینشهای عملی را برای مدلسازی سریهای زمانی چند متغیره ارائه میکنیم و چندین بسته و عملکرد مفید R را شرح میدهیم. علاوه بر این، با استفاده از مثالهای ساده و گویا، به معرفی گام به گام استفاده از زبان برنامهنویسی R برای تحلیل تجربی میپردازیم.
ادامه ...
بستن ...
Author(s): Edina Berlinger
Publisher: Packt Publishing, Year: 2015
ISBN: 978-1-78355-207-8
ادامه ...
بستن ...