외환 시계열

시계열 예측 (TSF)

TSF (Time Series Forecast Indicator)는 Least Squares 방법을 사용한 선형 회귀 측정으로 구성됩니다. 선형 회귀 분석은 과거의 가치와 비교하여 미래의 외환 시장 가치를 예측하기위한 통계 도구입니다. TSF는 다음의 외환 시장 가치를 예측하려고합니다. 이를 위해 추세의 상향 또는 하향의 하락을 정의하고 그 결과를 장래에 확장합니다. 예를 들어 가격이 상승하는 경우 TSF는 진행중인 가격과 비교하여 가격의 상승 하락을 정의하고 그 계산을 앞으로 확장하려고 시도합니다.

Forex 시장 가격이 지표 아래로 떨어지면 추세가 고려되며 추세는 Forex 시장 가격이 지표를 초과 할 때 고려됩니다. 게다가, 많은 애널리스트들은 가격이 지시선보다 높거나 낮아질 것이라고 생각합니다. 가격은 다시 라인으로 돌아갈 것이다. TSF 표시기는 진행 방향을 모니터링하여 방향 변경이 발생했는지 여부도 정의합니다.

시계열 예측 지표는 두 가지 중요한 차이점을 제외하고는 선형 회귀 지표와 유사합니다. 하나의 차이는 플롯 라인이 앞으로 뻗어 있기 때문에 TSF에 사용 된 기본 길이 입력 값이 훨씬 더 짧다는 점입니다. 또 다른 차이점은 TSF가 Bars Plus 입력에 지정된 막대 수만큼 차트의 오른쪽으로 줄을 그려주는 것입니다. 더 큰 길이의 입력은 가격 활동 및 경향을 분석하는 동안 단기간의 길이만큼 신뢰할 수 없으며 상당히 과장된 음모를 형성합니다.

시간 시리즈 예측.

시계열 예측 (TSF)은 최소 제곱 법에 따라 계산 된 회귀 분석의 선형 측정을 포함한 기술 분석 도구입니다. 시계열 예측은 고려 된 시간 프레임에서 추세의 유무를 결정할 때 선형 회귀 분석과 유사합니다. 차트 TSF는 여러 회선 선형 회귀 경향의 마지막 점들로 구성된 곡선으로 그려진다.

게다가, 시계열 예측은 Forex 추세 (상승 또는 하강)에 대한 경사 각도를 정의하고 시장에서의 가격 움직임을 더 예측할 수 있습니다. 즉, 상승 추세 하에서, T ime Series Forecast는 기울기 각도를 정의하고이를 통해 실제 가격과의 일치를 통해 실제 가격은 다음 기간의 값을 계산합니다. 가격 이동의 경향이 남아있는 경우, 표시기는 다소 높은 정밀도로 이동 경로를 정의 할 수 있습니다.

아직 고객이 아니십니까?

데모 계정이 생깁니다.

내용의 복제는 원본 소스에 대한 활성 하이퍼 링크에서만 허용됩니다.

금융 서비스는 Riston Capital LTD에서 제공합니다. 저희 웹 사이트에 설명 된 서비스는 이라크, 일본, 북한, 유럽 연합, 영국 및 미국에서는 제공되지 않습니다.

QuantStart.

빠르게 성장하는 소매점 퀀텀 트레이더 커뮤니티를 지원하는 Quantcademy 개인 회원 포털에 가입하십시오. 당신은 당신의 가장 중요한 퀀트 트레이딩 질문에 대답 할 준비가되어있는 지식이 풍부하고 마음이 맞는 퀀트 트레이더 그룹을 찾을 수 있습니다.

퀀트 트레이딩에 관한 나의 eBook을 확인해보십시오. 여기서 저는 파이썬 툴로 수익성 높은 체계적인 트레이딩 전략을 만드는 법을 가르쳐드립니다.

Python 및 R을 사용하여 시계열 분석, 기계 학습 및 베이지안 통계를 사용하는 고급 거래 전략에 관한 새로운 전자 책을 살펴보십시오.

2014 년 1 월 8 일 Michael Halls-Moore 작성

이 연재 기사에서는 금융 시계열을 예측하기위한 통계적으로 강력한 프로세스를 만들 계획입니다. 이러한 예측은 자동 거래 전략 그룹의 기반이됩니다. 시리즈의 첫 번째 기사에서는 모델링 방식과 시장 방향을 예측할 수있는 분류 알고리즘 그룹에 대해 설명합니다.

이 기사에서 우리는 파이썬을위한 기계 학습 라이브러리 인 scikit-learn을 사용할 것입니다. Scikit-learn은 많은 기계 학습 기술의 구현을 포함합니다. 이렇게하면 우리 자신을 구현하는 데 많은 시간을 절약 할 수있을뿐만 아니라 자체 코드에 의해 도입 된 버그의 위험을 최소화하고 R과 같은 다른 패키지로 작성된 라이브러리에 대해 추가 검증을 할 수 있습니다. 우리 자신의 맞춤형 구현을 생성해야하는 경우 (실행 속도면에서)

예측 프로세스.

통계 기계 학습 분야에 대한 자세한 설명은이 기사에서 다루지 않습니다. 로지스틱 회귀, 선형 판별 분석 및 2 차 판별 분석과 같은 기술을 활용하기 위해 몇 가지 기본 개념을 설명해야합니다.

감독 학습 기법.

감독 학습 기법은 예측 변수 (예 : 주식 시장 수익률 또는 거래량)를 나타내는 $ x_i $ 및 관련 변수를 나타내는 $ y_i $와 함께 알려진 튜플 $ (x_i, y_i) $, $ i \ in \ $ 집합을 포함합니다. 응답 / 관찰 변수 (예 : 오늘 주식 시장 수익). 이 상황에서 우리는 예측에 관심이 있습니다. 미래 예측 변수를 감안할 때이 예측 변수의 반응을 추정하고자합니다. 이것은 변수 간의 관계에 더 관심이있는 추론에 반대되는 것입니다.

이 기사에서 우리가 사용하는 모든 알고리즘과 앞으로 고용 될 많은 다른 알고리즘은 감독 학습 도메인에서 나온 것입니다.

예측 정확도 측정.

우리가 관심을 가지고있는 특정 클래스의 클래스에는 바이너리 분류가 포함됩니다. 즉, 특정 일의 수익률을 "Up"또는 "Down"의 두 가지 버킷에 할당하려고 시도합니다. 생산 예측 자에서 우리는이 예측의 크기와 실제 값에서의 예측 편차에 대해 매우 우려 할 것입니다.

이러한 경우 우리는 Mean-Squared Error, Mean Absolute Deviation 및 Root-Mean-Squared Error를 사용하여 예측 정확도를 추정 할 수 있습니다. 문헌은 예측 정확도 측정에 대한 수많은 다른 예를 제공합니다.

이 경우 우리는 히트 율 (히트 율)에만 관심을 둡니다. 히트 율은 예측가가 정확한 예측을 달성 한 시간의 비율 (즉, 하루가 끝났을 때 위로, 그 반대로)입니다. 나중에 예제에서는 혼란 행렬을 사용하여 클래스별로 예측 성능을 결정합니다. 또한 앞서 언급 한 가치를 계산하여 거래 조사 프로세스에 반영합니다.

예측 요인.

예측 방법론은 예측 변수로 선택된 요인만큼이나 우수합니다. 주식 시장 지수를 예측할 때 선택할 수있는 잠재적 인 요소가 엄청나게 많습니다. 이 기사에서 우리는 현재 비율 반환의 시간 지연에 요인을 제한하기 위하여려고하고있다. 이것은 가장 좋은 예측 인자가 아니기 때문에 쉽게 얻을 수있는 데이터 세트를 예측하는 과정을 직접적으로 보여주기 때문입니다.

예측 요소 선택은 예측 자의 가장 중요한 요소는 아니지만 매우 중요합니다. 간단한 기계 학습 기술조차도 잘 선택된 요인에 대해 좋은 결과를 산출 할 것입니다. 그 반대는 흔하지 않습니다. "문제에 알고리즘을 던지면"예측 정확도가 떨어집니다.

이 예측자를 위해, 나는 현재 주식 시장 방향에 대한 예측 변수로서 수익률의 첫 번째와 두 번째 시차를 선택했습니다. 이는 상대적으로 임의적 인 선택이며, 예를 들어 추가적인 지연이나 거래 된 주식의 양을 추가하는 등 많은 수정의 범위가 있습니다. 각 요인의 예측 능력을 입증 할 수있는 통계적 테스트가 있지만 일반적으로 모델에서 예측기를 적게 사용하는 것이 좋습니다.

로지스틱 회귀, LDA 및 QDA를 사용하여 S & amp; P500 예측

S & P500 지수는 미국 주식 시장에서 시가 총액 기준으로 최대 500 개 상장 기업의 가중 지수입니다. 그것은 종종 주식 "벤치 마크"로 간주됩니다. 지수에 대해 추측이나 헤지를 허용하기 위해 많은 파생 상품이 존재합니다. 특히, S & P500 E-Mini 지수 선물 계약은 지수를 거래하는 매우 유동적 인 수단입니다.

이 절에서는 하루 $ N-1 $에 알려진 가격 정보만을 토대로 하루 $ N $의 종가 방향을 예측하기 위해 세 가지 분류자를 사용하려고합니다. 상향 방향 이동은 $ N $의 종가가 $ N-1 $의 가격보다 높다는 것을 의미하며 하향 움직임은 $ N-1 $보다 낮은 $ N $의 종가를 의미합니다.

50 %의 히트 율과 낮은 오차 및 좋은 통계적 유의성을 통해 움직임의 방향을 결정할 수 있다면 우리는 예측을 기반으로 기본적인 체계적인 거래 전략을 수립 할 수 있습니다. 이 단계에서 우리는 가장 최신의 기계 학습 분류 알고리즘에 관심이 없습니다. 지금은 개념을 소개하고 있으므로 일부 기본 방법으로 예측에 대한 토론을 시작하겠습니다.

로지스틱 회귀.

우리가 고려할 첫 번째 기술은 물류 회귀 (LR)입니다. 여기에서는 LR을 사용하여 이진 범주 종속 변수 ( "Up"또는 "Down")와 여러 독립 독립 변수 (느린 백분율 수익률) 간의 관계를 측정합니다. 이 모델은 특정 (다음) 날이 "위"또는 "아래"로 분류 될 확률을 제공합니다. 이 구현에서 확률이 0.5를 초과하면 매일을 "Up"으로 지정했습니다. 다른 임계 값을 사용할 수는 있지만 간단히하기 위해 0.5를 선택했습니다.

LR은 물류 지수 ($ L_1 $, $ L_2 $)에 따라 "Up"일 ($ Y = U $)을 얻을 확률을 모델링하기 위해 물류 공식을 사용합니다.

동일한 설정에서 음의 확률을 생성 할 수있는 선형 회귀와 달리 $ L_1 $ 및 $ L_2 $의 모든 값에 대해 $ [0,1] $ 사이의 확률을 제공하기 때문에 물류 함수가 사용됩니다.

모델에 적합하도록 (즉, $ \ beta_i $ 계수를 추정) 최대 우도 법이 사용됩니다. 다행스럽게도 LR 모델의 피팅 및 예측 구현은 scikit-learn 라이브러리에서 처리합니다.

선형 판별 분석.

다음으로 사용되는 기법은 선형 판별 분석 (Linear Discriminant Analysis, LDA)입니다. LDA는 LR에서 물 론적 함수를 사용하여 예측 변수 $ L_i $에 대한 응답 $ Y $의 조건부 분포로 $ P (Y = U | L_1, L_2) $를 모델링하기 때문에 LDA와 다릅니다. LDA에서 $ L_i $ 변수의 분포는 베이 스의 정리를 통해 얻은 $ Y $와 $ P (Y = U | L_1, L_2) $를 따로 따로 모델링합니다.

본질적으로, LDA는 예측 변수가 다 변수 가우스 분포로부터 유도된다는 가정하에 발생합니다. 이 분포의 매개 변수에 대한 추정을 계산 한 후, 매개 변수를 Bayes 'Theorem에 입력하여 관찰이 속한 클래스를 예측할 수 있습니다.

LDA는 모든 클래스가 동일한 공분산 행렬을 공유한다고 가정합니다.

나는 다시 한번 scikit-learn이 우리를 위해 이것을 처리하기 때문에 예측을하기 위해 필요한 분포 또는 사후 확률을 추정하기위한 공식에 머물지 않을 것입니다.

이차 판별 분석.

이차 판별 분석 (Quadratic Discriminant Analysis, QDA)은 LDA와 밀접한 관련이 있습니다. 중요한 차이점은 각 클래스가 이제 자체 공분산 행렬을 소유 할 수 있다는 것입니다.

결정 경계가 비선형 일 때 QDA는 일반적으로 더 잘 수행됩니다. LDA는 일반적으로 학습 관찰이 적을 때 (즉, 분산을 줄여야 할 때) 더 잘 수행됩니다. 반면에 QDA는 교육 집합이 큰 경우 (즉, 분산이 덜 우려 할 때) 잘 수행됩니다. 둘 중 하나를 사용하면 궁극적으로 바이어스 - 분산 트레이드 오프가된다.

LR 및 LDA와 마찬가지로 scikit-learn은 QDA 구현을 처리하므로 매개 변수 예측 및 예측을위한 교육 / 테스트 데이터 만 제공하면됩니다.

파이썬 구현.

이 예측자를 구현하기 위해 우리는 NumPy, pandas 및 scikit-learn을 사용할 것입니다. 이전에이 라이브러리를 설치하는 방법에 대한 자습서를 작성했습니다. 나는 코드 자체에 대해 많은 논평을하였으며, 따라서 무엇이 일어나고 있는지 쉽게 확인해야한다.

첫 번째 단계는 관련 모듈과 라이브러리를 가져 오는 것입니다. 이 예측 자에 대한 LogisticRegression, LDA 및 QDA 분류자를 가져옵니다.

라이브러리를 가져 왔으므로 이전 일 수 (기본값은 5)의 지연된 백분율 수익률을 포함하는 판다 데이터 프레임을 만들어야합니다. create_lagged_series는 Yahoo Finance에서 인정한 주식 기호를 사용하고 지정된 기간에 걸쳐 지연된 DataFrame을 만듭니다.

다음 도우미 함수는 중복 된 코드를 제거하여 각 모델에 대해 hit_rate 비율을 작성하도록 설계되었습니다. Logistic Regression, LDA 및 QDA 객체는 동일한 방법 (적합 및 예측)을 사용한다는 사실에 의존합니다. 적중률은 터미널에 출력됩니다.

마지막으로 __main__ 함수와 함께 묶습니다. 이 경우 우리는 2001 년부터 2004 년까지의 수익률 데이터를 사용하여 2005 년에 미국 주식 시장의 방향을 예측하려고 시도합니다.

코드 출력은 다음과 같습니다.

Logistic Regression과 Linear Discriminant Analyzer는 모두 56 %의 적중률을 얻을 수 있음을 알 수 있습니다. 그러나 2 차 판별 분석기는 두 가지 모두를 향상시켜 60 %의 적중률을 산출 할 수있었습니다. 분석 된 특정 기간 동안, 이는 선형 분석에서 지연된 요인과 잘 포착되지 않은 방향 사이의 관계에 약간의 비선형 성이 있다는 사실 때문일 가능성이 큽니다.

따라서 우리가 미국 주식 시장을 부분적으로 예측할 수 있기를 희망합니다. 이 예측 방법에 대한 몇 가지주의 사항이 있습니다.

피팅 오류를 줄이기 위해 교차 유효성 검사를 사용하지 않았습니다. 생산 예측 자 (producer)는 이러한 분석을 강력하게 요구할 것입니다. 예측가는 2001-2004 사이의 데이터에 대해서만 교육을 받았습니다. 보다 최근의 주식 시장 데이터는 실질적으로 다른 예측 정확도를 가질 수있다. 우리는 실제로이 정보를 교환하려고 시도하지 않았습니다. 특히 우리는 실제로 어떻게 거래를 수행 할 것인가? 우리는 미국 전자 미니 기술을 사용할 것인가? MOP (Market-On-Open) 또는 MOC (Market-On-Close) 주문을 활용할 계획입니까? 또한 거래 비용을 고려해야합니다.

후속 기사에서는 이러한 문제를보다 깊이있게 고려할 것입니다.

임의 예측에 대한 경고.

이 절에서는 예측자를 다룰 때 통계적으로 유의미한 문제를 강조하고 싶습니다. 위에서 요약 한 예측 자 외에도 표준 정규 분포에서 무작위 추출의 부호만을 토대로 한 "예측"시리즈를 생성했습니다. 같은 기간에 53.4 %의 예상 히트 율을 기록했지만이 시리즈를 생성하는 데 사용 된 방법은 본질적으로 동전 던지기와 다르지 않습니다! 예측 과정을 수행 할 때마다 항상 명심해야하며, 고려하지 않을 경우 위험한 거래 실적으로 이어질 수 있습니다.

다음 기사에서는 인공 신경망 (ANN) 및 지원 벡터 기계 (SVM)와 같은 고급 감독 비선형 예측 분류기를 고려할 것입니다. 우리가 처분 할 수있는 기계 학습 기술의 "안정적"으로 인하여 우리는 앙상블 방법을 사용하여 예측 정확성과 견고성을 생성 할 수있게되며, 이는 개별 예측 자의 경우를 초과 할 수 있습니다.

양적 거래 시작하기?

QuantStart 목록을 구독해야하는 3 가지 이유 :

1. 퀀트 트레이딩 레슨.

계량 거래를 시작하는 데 도움이되는 힌트와 팁으로 가득한 무료 10 일간 코스에 즉시 액세스 할 수 있습니다!

2. 모든 최신 내용.

매주 나는 퀀트 스타트에서 모든 활동의 포장을 보내드릴 것입니다. 그래서 당신은 결코 다시 글을 놓치지 않을 것입니다.

현실감 넘치는 퀀 트레이딩 팁.

기계적인 Forex.

기계 거래 전략을 사용하여 외환 시장에서 거래합니다.

알고리즘 거래에서 R 사용 : 간단한 시계열 특성 분석. 1 부.

지난 주 우리는 IS / OS 시스템 특성 배열을 분석하고 IS / OS 내역 상관 관계에 대한 간단한 결론을 도출하기 위해 R 통계 패키지를 사용했습니다. 오늘날 우리는 R을 사용하여 시스템 생성 전에 수행되어야하는보다 근본적인 분석을 수행하려고합니다. 이 분석은 금융 시계열의 기본 특성에 해당합니다. 이는 우리가 거래 할 기호에 대한 근본적인 정보를 제공합니다. 이 분석을 통해 우리는 전통적인 알파 탐색 알고리즘 전략을 개발하는 것이 더 쉬울 수있는 곳과 특정 기호 내에서 (근본적인 장기 바이어스와 같은) 일부 항목이 존재하는지 여부를 파악할 수 있습니다. 이 첫 번째 튜토리얼에서는 금융 시계열에 대한 몇 가지 기본적인 통계 특성을 다룰 것입니다. 실종 된 유용한 특성이있는 경우 관측과 함께 의견을 게시하십시오 (필자는 분명히 다음 몇 부분에 포함 할 것입니다).

무엇보다도 우리는 우리의 데이터가 R에 친숙한 CSV 파일에 포함되어 있는지 확인해야합니다. 열기 / 높음 / 낮음 / 닫음 열뿐만 아니라 날짜 열에 촛불 사용 시간이 적절한 형식으로 포함되어야합니다. R (예 : 1986-03-23). R에는 적절한 열 머리글이 있어야하므로 csv의 첫 번째 줄에는 날짜, 열기, 높음, 낮음, 닫기와 같은 내용을 읽어야합니다. 이 시리즈의 다음 몇 게시물에서이 퀵 모드 (예 : quantmod)가 필요한 다른 라이브러리를 사용할 때 데이터를 이렇게 형식화해야합니다 (Hurst 지수와 같은 고급 분석을 수행 할 때). 견적). 기본적인 통계 계산을 위해 필요할 것이므로 계속하기 전에 e1071 R 라이브러리도 설치했는지 확인하십시오. 데이터를 준비하고 나면 이제 R에로드하고 제대로로드되었는지 확인하기 위해 플롯 할 수 있습니다 (quantmod를 사용할 때 더 예쁜 촛대 차트를 그릴 수있는 방법을 배웁니다.

데이터가로드되면 Open / High / Low / Close 데이터를 직접 비교할 수 없기 때문에 여러 심볼간에 비교할 수있는 통계량을 갖기 위해 가격 시리즈의 수익률을 계산할 수 있습니다. 백분율 리턴은 단순히 100 * (Close [n] - Close [n-1] / Close [n-1])로 주어지며, 간격 재생 때문에 Close [n] - Open [n] 차이를 사용하지 않습니다 특정 도구 전반에 걸쳐 매우 중요한 역할을하므로 계산시이를 고려해야합니다. 또한 log (Close [n]) 기반의 수익률은 대부분의 금융 시계열에서 정규 분포에 가까운 결과를 제공하기 때문에 일반적으로 사용됩니다. 어떤 것을 사용할지는 주로 분석이 정규성을 가정해야하는지 여부에 달려 있습니다. 이 자습서에서는 표준 백분율을 사용하려고합니다. 사용할 수있는 다양한 반환 유형에 대한 자세한 내용은이 링크를 확인하십시오. 반환 값을 계산하려면 몇 가지 추가 R 명령을 실행해야합니다.

먼저 배열에 차등을 채운 다음 이전 닫기 값을 기반으로 올바른 정규화 된 차이로 다시 채우는 방법으로 수익을 계산했습니다. R에서 이것을 할 수있는 더 좋은 방법이있을 것입니다. (아는 한 주석을 달아주세요!)하지만 C ++의 정신력을 사용하여 간단히 말했습니다.) 이제 시계열에 대한 흥미로운 통계를 보여주는 몇 가지 추가 계산을 수행 할 수 있습니다. 우리는 평균, Â 왜곡, κ 첨도 및 우리의 수익에 대한 연속 자기 상관을 계산할 수 있습니다. 왜곡은 분포가 음수 또는 양수 값으로 기울어 졌는지를 말해줍니다 (완벽하게 대칭 인 확률 분포는 0을 나타냅니다). 반면에 kurtosis는 우리의 분포가 얼마나 뚱뚱한 (높은 kurtosis) 또는 매우 정점 (낮은 kurtosis)인지를 알려줍니다 정상 분포. 높은 첨도 (kurtosis)는 배포본의 편차가 극단적 인 편차로 인해 발생할 가능성이 높다는 것을 의미합니다. 또한 이러한 유사 콘텐츠를보다 잘 볼 수 있도록 히스토그램을 얻을 수 있습니다.

위에서 볼 수 있듯이 EUR / USD의 수익률은 정규 분포에서 크게 벗어나며 (향후 게시물에 대한 정상 테스트에서 더 많음) 이미 EUR / USD 분포의 일부 특성을 볼 수 있습니다. 예를 들어 우리는 분포가 양의 영토 (skewness = 0.076)로 비뚤어지고 분포가 흉한 (kurtosis = 1.52) 것을 볼 수 있습니다. 금융 시계열이 맹금류로 잘 알려져 있기 때문에이 두 사실 중 누구도 시계열 분석을 수행 한 사람에게는 놀라움을 금치 못할 것입니다. 그러나 학습하는 자산 클래스와 기호에 따라 첨도 및 비대칭 정도가 많이 달라지는 점은 주목할 가치가 있습니다. 이 시리즈의 다음 부분에서 우리는 다른 Forex 및 비 Forex 기호가이 동일한 분석 (몇 가지 추가 통계 포함) 내에서 어떻게 비교되는지, 그리고이 통계가 역사적으로 수익성있는 거래 시스템을 생성하는 능력과 어떻게 관련되는지에 대해 살펴볼 것입니다 해당 데이터를 사용합니다. 특정 특성을 가진 배포판은 역사적으로 수익성 높은 전략을 쉽게 생성 할 수있는 반면, 다른 특성을 갖는 배포판은 가장자리를 찾기가 쉽지 않습니다.

통계에 정통한 사람들을 위해 기본 통계 분석 측면에서 유용하다고 생각하는 항목과 향후 게시물에서 설명 할 항목을 자유롭게 제공하십시오. 내 직업에 대해 더 자세히 알고 싶다면 어떻게 트레이딩 전략을 개발할 때 시계열 분석을 사용할 수 있습니까? 트레이딩 비디오, 트레이딩 시스템, 개발 및 자동 거래에 대한 건전하고 정직하고 투명한 접근법으로 가득 찬 웹 사이트 인 Asirikuy에 가입하는 것을 고려해보십시오. 일반적으로 나는이 기사를 즐겼기를 바랍니다! :영형)

알고리즘 트레이딩에서 R을 사용하는 3 가지 응답 : 간단한 시계열 특성 분석. 1 부 & # 8221;

[& # 8230;]이 일련의 게시물 중 일부는 Forex의 금융 시계열에서 간단한 기본 특성을 얻었습니다.

이 튜토리얼을 따르기 전에 기본 시계열 분석에 대한 이전 2 개의 (1, 2) R 튜토리얼을 읽으므로 기본 R 시리즈에 익숙해 지도록 조언합니다. [& # 8230; # 8230;]

죄송하지만이 문제에 직면 한 메신저 :

plot. window (& # 8230;)의 오류 : 유한 한 & # 8216; xlim & # 8217; 값.

또한 : 경고 메시지 :

1 : min (x)에서 min에 누락 된 인수가 없습니다. Inf를 반환합니다.

2 : max (x)에서 : max에 대한 누락 된 인수 없음; ~를 반환합니다.

3 : min (x) : min에 대한 누락 된 인수가 없습니다. Inf를 반환합니다.

4 : 최대 (x)에서 : max에 누락되지 않은 인수 없음; ~를 반환합니다.