分解时间序列数据以检查基金之间的一致性

使用R中的scan（）函数读取纯文本文件时，将其转换为R对象，并使用R计算环境中TTR包中定义的ts（）函数将生成的R对象转换为时间序列对象。对于每个股票，使用R中的decompose（）函数将时间序列对象分解为其组件。使用R中的plot（）函数以图形方式显示分解结果。作为示例，我们提供了HDFC银行股票的时间序列分解结果的详细信息，在我们的研究中发现，HDFC银行股票存在于一些共同基金中。图1描述了2008年1月至2015年12月期间HDFC银行股票月平均价格的时间序列。很明显，时间序列具有持续的上升趋势，随机波动较小。图2显示了HDFC银行存量月平均值时间序列的分解结果。表1显示了2008年1月至2015年12月期间HDFC银行股票时间序列数据及其三个组成部分的数值。值得注意的是，趋势和随机分量的值在2008年1月至6月期间以及2015年7月至2015年12月期间均不可用。R的TTR包中定义的decompose（）函数使用移动平均法计算时间序列的趋势分量，周期为12个月。因此，为了计算2008年1月份的趋势值，我们需要2007年7月至2008年6月的时间序列数据。

然而，由于我们使用了2008年1月至2015年12月的时间序列数据，分解（）函数可以计算的第一个趋势值是2008年7月，最后一个月是2015年6月。图1:HDFC银行股票时间序列（时间段：2008年1月至2015年12月）图2:HDFC银行股票时间序列分解为其组件（时间段：2008年1月至2015年12月）为了计算季节性组件，分解（）函数首先“detrends”（即从总时间序列值中减去趋势组件）时间序列，然后以12列格式排列resultantnew值。现在，每个月的季节值是通过计算每列的平均值得出的。很容易观察到，在整个调查期间，任何特定月份的季节成分都是恒定的。最后，通过从该月的aggregatetime系列值中减去趋势和季节分量之和，得到每个月的随机分量。