（A）は、異なるソースからの組み合わされたデータ
なお、原因から収穫までの風のインポート（データブロックタイプ）、在庫データを使用している間（のためquantmodパッケージクロールを動物園、データ型と問題が一致していない時間が生じ、XTSタイプ）。
設定することにより、第1の後、財務省の毎日のリターンのインポート、（マージされたバックは、インデックスに基づいているため）矛盾の時間帯を避けるために、UTC（標準時）をし、その後に変換されたデータのXTSの種類、そして最終的にインデックスによるとマージし、最終的に2が必要な取得変数。具体的には、以下を参照してください。
`read.tableを「= IR（ "クリップボード"、ヘッダ= T） Sys.setenv（TZ = " UTC "）＃セットゾーン R＆LT data.frame =（IR [2 ]） DATE = as.POSIXlt（IR [1 ] ） rownames（R＆LT） = DATE GR = as.xts（R＆LT） ＃XTSにデータを入力 DATAL = merge.xts（SR_daily、GR / 30、参加= " 内側" ） DATA2 = merge.xts（GR_daily、GR / 30 、=参加「内側」）=データmerge.xts（SR_daily / 100/30 GR、参加= 「内側」）＃1 に加えて、マージ関数内のパラメータ、そこ外側左および他のパラメータ X = DATA1 [1] -data1 [2 ] 及び = DATA2 [1] -data2 [2]
（B）平均に回帰
＃回归分析 setSymbolLookup（SZZZ =リスト（名= " 000001.ss "、SRC = ' ヤフー' ）） （getSymbols " SZZZ "、より = から =に、へ） ZR = dailyReturn（na.approx（SZZZ [4 ]）、タイプ= " ログ" ） LR = LM（ZR〜SR_daily） 要約（LR） ＃异方差检验 ライブラリ（lmtest） SDE = 残油（LR） chartSeries（SDE） bptest（LR、studentize = FALSE） ＃Breusch-パガンテスト gqtest（LR） ＃QuandtテストGoldfeld ＃の自己相関テスト ACF（SDE） PACFの（SDE） dwtest（LR） ＃ダービン・ワトソンテスト bgtest（LR） ＃Breusch-Godfreyのテスト Box.test（SDE1） ＃ボックス、ピアステスト ＃正常 HIST （SDE、nclass = 200 ） ST（SDE）＃1 shapiro.te分析
（C）分位回帰
伝統的な回帰の残差を最小化する、最小二乗法から分かる極値を非常に受けやすく二乗平均回帰に属し、この方法は、データ関係の異なる分布で得られた、平均回帰分位回帰することはできません違いは、パラメータ推定の最適化問題解決最小、で重み付け推定するために属する、異なる推定係数の残留分布力を与えることにより、パラメータ推定、ということです。
分位回帰が同じ分散を考慮していない、正規分布の仮定は、回帰結果より堅牢な分布およびその他の特性の尾の特性をキャプチャする外れ値の抵抗を持っています。
ライブラリ（quantreg） R2 = RQ（ZR〜SR_daily、タウ= C（0.05,0.25,0.5,0.75,0.95 ）） 要約（R2） Z = as.numeric（ZR） S = as.numeric（SR_daily） TAUS = C （0.05,0.25,0.5,0.75,0.95 ） プロット（Z、S） のための（I における 1 ：長さ（TAUS））{ abline（RQ（ZR〜SR_daily、タウ= TAUS [I]）） }
（D）リッジ回帰 - 2つのノルムとの最小二乗回帰、罰
実際には、サンプルの数が不十分行う場合、X'Xは不可逆的、または共線、我々が使用することはできませんOLS回帰を、我々は（ペナルティ関数可逆を追加することにより、または小さな偏差を犠牲にして、すなわち、バイアス推定を行うことができます）分散を低減します。ペナルティ関数によっては、推定弾性ウェブ（リッジ回帰、投げ縄、ENETなど）、非凸（SACDなど）、ミニマックスバンプ（MCPなど）などが挙げられます。ペナルティ関数缶自己学習への参加方法の具体的な方法。以下は、リッジ回帰が達成されます。
ライブラリ（MASS） S1 = SR_daily S2 = dailyReturn（na.approx（AB [4]）、タイプ= " ログイン" ） R3 = lm.ridge（ZR〜S1 + S2） プロット（lm.ridge（ZR〜S1 + S2 、ラムダ = SEQ（0,10,0.5））） ＃得到岭迹图
セレクト（lm.ridge（ZR〜S1 + S2、ラムダ= SEQ（0,10,0.5）））
（E）なげなわ回帰 - 多重共を解決するために
ライブラリ（ラース） データ =マトリックス（nrow =長さ（S1）のNcoI = 2 ） データ[ 1] = S1 データ[ 2] = S2 R4 = ラース（データ、ZR） プロット（R4）
