“分位数自回归”，它是对时间序列域的重要扩展。
本教程的数据是痛苦指数，它是一个月频率时间序列，总和：（失业率 + 通货膨胀率）构成所谓的“苦难指数”。 “什么是痛苦指数?就是失业率与通货膨胀率之和”。该指数认为，失业与通货膨胀给人们带来的痛苦是相同的，失业率上升1%与通胀率上升1%对人们构成同样程度的“痛苦”。
加载数据首先加载数据并检查不同的信息标准对模型中滞后阶数的评估：
options(digits = 4)y = ts,sep = "t",header = F)[,2]) plot for (i in 1:ormax){ lagmat = cbind arod <- lm HQ[i] = HQIC AK[i] = AIC SC[i] = BIC } return}lagordr# 1个滞后
估计分位数自回归现在估计分位数自回归，每个分位数一个，增量为 0.05。
lm0 = lm; summaryqs = NULL ; qr0 = list()
看一下结果：
layoutlayout.showplotfor (i in 1:length){ lines}
顶部图，拟合线以蓝色叠加。在AR系数恒定的情况下，我们应该得到相互平行的线条，因为唯一的变化是你希望拟合数据。在这种情况下，我们可以在右下角的面板上看到，AR系数不是恒定的。对于拟合低分位数，过程表现得像随机游走，而对于高分位数则观察到强烈的均值回归。这种不对称性表明这个过程是异方差的，低方差比高方差大，所以我们得到的是 "扇形 "图而不是平行线。它的经济意义在于，当这个指数高的时候，要采取措施来压低它。这些措施包括降低借贷成本，从而使陷入困境的公司能够继续生存，使成功的公司能够保持投资水平。重点是，当该指数高时，我们试图压低它，而当它处于中间范围时，它可以双向发展，因此是 "扇形"。
注释在另一种情况下，您可以尝试估算风险价值，5% VaR 值的分位数等于 0.05。请记住，在这种情况下，您需要一个大样本来保证准确性，因为只有 5% 的观测值具有与确定拟合值相关的信息。所以看看分位数回归对 VaR 的估计如何与常见的 garch(1,1) 等进行比较。
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