Submit Search
Upload
Rで触れる日本経済~RでVAR編~
•
11 likes
•
5,412 views
Kazuya Wada
Follow
第27回Tokyo.Rでの発表資料です
Read less
Read more
Education
Report
Share
Report
Share
1 of 26
Recommended
RのffでGLMしてみたけど...
RのffでGLMしてみたけど...
Kazuya Wada
DeployR使ってみた話
DeployR使ってみた話
Kazuya Wada
RのffとbigmemoryとRevoScaleRとを比較してみた
RのffとbigmemoryとRevoScaleRとを比較してみた
Kazuya Wada
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Takashi J OZAKI
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)
Shintaro Fukushima
20140920 tokyo r43
20140920 tokyo r43
Takashi Kitano
10分で分かるr言語入門ver2.9 14 0920
10分で分かるr言語入門ver2.9 14 0920
Nobuaki Oshiro
Recommended
RのffでGLMしてみたけど...
RのffでGLMしてみたけど...
Kazuya Wada
DeployR使ってみた話
DeployR使ってみた話
Kazuya Wada
RのffとbigmemoryとRevoScaleRとを比較してみた
RのffとbigmemoryとRevoScaleRとを比較してみた
Kazuya Wada
Granger因果による時系列データの因果推定(因果フェス2015)
Granger因果による時系列データの因果推定(因果フェス2015)
Takashi J OZAKI
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Deep Learningと他の分類器をRで比べてみよう in Japan.R 2014
Takashi J OZAKI
Rあんなときこんなとき(tokyo r#12)
Rあんなときこんなとき(tokyo r#12)
Shintaro Fukushima
20140920 tokyo r43
20140920 tokyo r43
Takashi Kitano
10分で分かるr言語入門ver2.9 14 0920
10分で分かるr言語入門ver2.9 14 0920
Nobuaki Oshiro
Feature Selection with R / in JP
Feature Selection with R / in JP
Sercan Ahi
Rユーザのためのspark入門
Rユーザのためのspark入門
Shintaro Fukushima
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
Nagi Teramo
Rのデータ構造とメモリ管理
Rのデータ構造とメモリ管理
Takeshi Arabiki
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
Prunus 1350
mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理
Shintaro Fukushima
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
Shintaro Fukushima
Rの高速化
Rの高速化
弘毅 露崎
巨大な表を高速に扱うData.table について
巨大な表を高速に扱うData.table について
Haruka Ozaki
R高速化
R高速化
Monta Yashi
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
Why dont you_create_new_spark_jl
Why dont you_create_new_spark_jl
Shintaro Fukushima
Gorinphp0729
Gorinphp0729
akitsukada
色々なダイクストラ高速化
色々なダイクストラ高速化
yosupo
R-hpc-1 TokyoR#11
R-hpc-1 TokyoR#11
Shintaro Fukushima
Juliaで並列計算
Juliaで並列計算
Shintaro Fukushima
textsearch_jaで全文検索
textsearch_jaで全文検索
Akio Ishida
R3.0.0 is relased
R3.0.0 is relased
Shintaro Fukushima
Tokyor23 doradora09
Tokyor23 doradora09
Nobuaki Oshiro
Rで学ぶ回帰分析と単位根検定
Rで学ぶ回帰分析と単位根検定
Nagi Teramo
養成読本と私
養成読本と私
Kimikazu Kato
Rubyによるデータ解析
Rubyによるデータ解析
Shugo Maeda
More Related Content
What's hot
Feature Selection with R / in JP
Feature Selection with R / in JP
Sercan Ahi
Rユーザのためのspark入門
Rユーザのためのspark入門
Shintaro Fukushima
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
Nagi Teramo
Rのデータ構造とメモリ管理
Rのデータ構造とメモリ管理
Takeshi Arabiki
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
Prunus 1350
mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理
Shintaro Fukushima
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
Shintaro Fukushima
Rの高速化
Rの高速化
弘毅 露崎
巨大な表を高速に扱うData.table について
巨大な表を高速に扱うData.table について
Haruka Ozaki
R高速化
R高速化
Monta Yashi
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Takashi J OZAKI
Why dont you_create_new_spark_jl
Why dont you_create_new_spark_jl
Shintaro Fukushima
Gorinphp0729
Gorinphp0729
akitsukada
色々なダイクストラ高速化
色々なダイクストラ高速化
yosupo
R-hpc-1 TokyoR#11
R-hpc-1 TokyoR#11
Shintaro Fukushima
Juliaで並列計算
Juliaで並列計算
Shintaro Fukushima
textsearch_jaで全文検索
textsearch_jaで全文検索
Akio Ishida
R3.0.0 is relased
R3.0.0 is relased
Shintaro Fukushima
Tokyor23 doradora09
Tokyor23 doradora09
Nobuaki Oshiro
What's hot
(19)
Feature Selection with R / in JP
Feature Selection with R / in JP
Rユーザのためのspark入門
Rユーザのためのspark入門
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
「plyrパッケージで君も前処理スタ☆」改め「plyrパッケージ徹底入門」
Rのデータ構造とメモリ管理
Rのデータ構造とメモリ管理
Rで学ぶデータマイニングI 第8章〜第13章
Rで学ぶデータマイニングI 第8章〜第13章
mmapパッケージを使ってお手軽オブジェクト管理
mmapパッケージを使ってお手軽オブジェクト管理
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
統計解析言語Rにおける大規模データ管理のためのboost.interprocessの活用
Rの高速化
Rの高速化
巨大な表を高速に扱うData.table について
巨大な表を高速に扱うData.table について
R高速化
R高速化
Rで計量時系列分析~CRANパッケージ総ざらい~
Rで計量時系列分析~CRANパッケージ総ざらい~
Why dont you_create_new_spark_jl
Why dont you_create_new_spark_jl
Gorinphp0729
Gorinphp0729
色々なダイクストラ高速化
色々なダイクストラ高速化
R-hpc-1 TokyoR#11
R-hpc-1 TokyoR#11
Juliaで並列計算
Juliaで並列計算
textsearch_jaで全文検索
textsearch_jaで全文検索
R3.0.0 is relased
R3.0.0 is relased
Tokyor23 doradora09
Tokyor23 doradora09
Viewers also liked
Rで学ぶ回帰分析と単位根検定
Rで学ぶ回帰分析と単位根検定
Nagi Teramo
養成読本と私
養成読本と私
Kimikazu Kato
Rubyによるデータ解析
Rubyによるデータ解析
Shugo Maeda
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
宏喜 佐野
主成分分析(Pca)
主成分分析(Pca)
Shushi Namba
Rによる主成分分析 入門
Rによる主成分分析 入門
Hiro47
フリーソフトウェアを通じた多変量解析講習
フリーソフトウェアを通じた多変量解析講習
h_yama2396
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
Yasuyuki Sugai
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
Koichi Hamada
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
Koichi Hamada
主成分分析 (pca)
主成分分析 (pca)
Ji Wang
[R勉強会][データマイニング] R言語による時系列分析
[R勉強会][データマイニング] R言語による時系列分析
Koichi Hamada
Taste of Wine vs. Data Science
Taste of Wine vs. Data Science
Takashi J OZAKI
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
Nagi Teramo
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
宏喜 佐野
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
Takashi J OZAKI
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
Takanori Ogata
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
宏喜 佐野
「スキルなし・実績なし」 32歳窓際エンジニアがシリコンバレーで働くようになるまで
「スキルなし・実績なし」 32歳窓際エンジニアがシリコンバレーで働くようになるまで
Shuichi Tsutsumi
はじめての「R」
はじめての「R」
Masahiro Hayashi
Viewers also liked
(20)
Rで学ぶ回帰分析と単位根検定
Rで学ぶ回帰分析と単位根検定
養成読本と私
養成読本と私
Rubyによるデータ解析
Rubyによるデータ解析
マーケティングサイエンス徹底入門と実践Part2
マーケティングサイエンス徹底入門と実践Part2
主成分分析(Pca)
主成分分析(Pca)
Rによる主成分分析 入門
Rによる主成分分析 入門
フリーソフトウェアを通じた多変量解析講習
フリーソフトウェアを通じた多変量解析講習
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
R言語で始めよう、データサイエンス(ハンズオン勉強会) 〜機会学習・データビジュアライゼーション事始め〜
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] R言語によるクラスター分析 - 活用編
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
[データマイニング+WEB勉強会][R勉強会] はじめてでもわかる R言語によるクラスター分析 - 似ているものをグループ化する-
主成分分析 (pca)
主成分分析 (pca)
[R勉強会][データマイニング] R言語による時系列分析
[R勉強会][データマイニング] R言語による時系列分析
Taste of Wine vs. Data Science
Taste of Wine vs. Data Science
指数分布とポアソン分布のいけない関係
指数分布とポアソン分布のいけない関係
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
ベイジアンモデリングによるマーケティングサイエンス〜状態空間モデルを用いたモデリング
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
直感的な単変量モデルでは予測できない「ワインの味」を多変量モデルで予測する
10分でわかる主成分分析(PCA)
10分でわかる主成分分析(PCA)
はじめよう多変量解析~主成分分析編~
はじめよう多変量解析~主成分分析編~
「スキルなし・実績なし」 32歳窓際エンジニアがシリコンバレーで働くようになるまで
「スキルなし・実績なし」 32歳窓際エンジニアがシリコンバレーで働くようになるまで
はじめての「R」
はじめての「R」
Similar to Rで触れる日本経済~RでVAR編~
Monadicプログラミング マニアックス
Monadicプログラミング マニアックス
Tomoharu ASAMI
Japan r.3
Japan r.3
Hiroki Matsui
D3.js で LOD を Visualization
D3.js で LOD を Visualization
dsuke Takaoka
D3.js と SVG によるデータビジュアライゼーション
D3.js と SVG によるデータビジュアライゼーション
Kohei Kadowaki
20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門
Takashi Kitano
jQuery Performance Tips – jQueryにおける高速化 -
jQuery Performance Tips – jQueryにおける高速化 -
Hayato Mizuno
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
wada, kazumi
AngularJSとD3.jsによるインタラクティブデータビジュアライゼーション
AngularJSとD3.jsによるインタラクティブデータビジュアライゼーション
Yosuke Onoue
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
Yasuyuki Sugai
月間10億pvを支えるmongo db
月間10億pvを支えるmongo db
Yuji Isobe
Code iq×japanr 公開用
Code iq×japanr 公開用
Nobuaki Oshiro
d3jsハンズオン @E2D3ハッカソン
d3jsハンズオン @E2D3ハッカソン
圭輔 大曽根
Spring3.1概要 データアクセスとトランザクション処理
Spring3.1概要 データアクセスとトランザクション処理
土岐 孝平
ソーシャルゲーム案件におけるDB分割のPHP実装
ソーシャルゲーム案件におけるDB分割のPHP実装
infinite_loop
Listを串刺し
Listを串刺し
Yoshiteru Kamiyama
はじめてのベイズ推定
はじめてのベイズ推定
Kenta Matsui
Webで役立つRDBの使い方
Webで役立つRDBの使い方
Soudai Sone
第29回 SQL Server 勉強会 (JSSUG) - Azure Synapse Analytics 概要
第29回 SQL Server 勉強会 (JSSUG) - Azure Synapse Analytics 概要
Daiyu Hatakeyama
Sc2009autumn s2robot
Sc2009autumn s2robot
Shinsuke Sugaya
Aerospike xdr (Cross Datacenter Replication)
Aerospike xdr (Cross Datacenter Replication)
Makoto Uehara
Similar to Rで触れる日本経済~RでVAR編~
(20)
Monadicプログラミング マニアックス
Monadicプログラミング マニアックス
Japan r.3
Japan r.3
D3.js で LOD を Visualization
D3.js で LOD を Visualization
D3.js と SVG によるデータビジュアライゼーション
D3.js と SVG によるデータビジュアライゼーション
20170923 excelユーザーのためのr入門
20170923 excelユーザーのためのr入門
jQuery Performance Tips – jQueryにおける高速化 -
jQuery Performance Tips – jQueryにおける高速化 -
Ⅰ. Rの基礎 2017
Ⅰ. Rの基礎 2017
AngularJSとD3.jsによるインタラクティブデータビジュアライゼーション
AngularJSとD3.jsによるインタラクティブデータビジュアライゼーション
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
気象庁XMLのSPARQL APIを利用してデータを俯瞰しよう -SPARQLとRによる可視化-
月間10億pvを支えるmongo db
月間10億pvを支えるmongo db
Code iq×japanr 公開用
Code iq×japanr 公開用
d3jsハンズオン @E2D3ハッカソン
d3jsハンズオン @E2D3ハッカソン
Spring3.1概要 データアクセスとトランザクション処理
Spring3.1概要 データアクセスとトランザクション処理
ソーシャルゲーム案件におけるDB分割のPHP実装
ソーシャルゲーム案件におけるDB分割のPHP実装
Listを串刺し
Listを串刺し
はじめてのベイズ推定
はじめてのベイズ推定
Webで役立つRDBの使い方
Webで役立つRDBの使い方
第29回 SQL Server 勉強会 (JSSUG) - Azure Synapse Analytics 概要
第29回 SQL Server 勉強会 (JSSUG) - Azure Synapse Analytics 概要
Sc2009autumn s2robot
Sc2009autumn s2robot
Aerospike xdr (Cross Datacenter Replication)
Aerospike xdr (Cross Datacenter Replication)
More from Kazuya Wada
オンラインTVサービスの分析事例
オンラインTVサービスの分析事例
Kazuya Wada
道玄坂Lt#2 wdkz
道玄坂Lt#2 wdkz
Kazuya Wada
ハイレゾの話
ハイレゾの話
Kazuya Wada
Shiny-Serverあれこれ
Shiny-Serverあれこれ
Kazuya Wada
データサイエンティストカジュアルトーク by wdkz
データサイエンティストカジュアルトーク by wdkz
Kazuya Wada
R-3.0.0でGLM
R-3.0.0でGLM
Kazuya Wada
はじめてのShiny
はじめてのShiny
Kazuya Wada
JuliaでGLM
JuliaでGLM
Kazuya Wada
そろそろRStudioの話
そろそろRStudioの話
Kazuya Wada
RでつくるWebアプリ~rApache編~
RでつくるWebアプリ~rApache編~
Kazuya Wada
Rでウォーリを探してみた
Rでウォーリを探してみた
Kazuya Wada
Rが苦手な人にもRを使って頂くために~RcommanderとRook~
Rが苦手な人にもRを使って頂くために~RcommanderとRook~
Kazuya Wada
RでGPU使ってみた
RでGPU使ってみた
Kazuya Wada
Tokyo.R#16 wdkz
Tokyo.R#16 wdkz
Kazuya Wada
More from Kazuya Wada
(14)
オンラインTVサービスの分析事例
オンラインTVサービスの分析事例
道玄坂Lt#2 wdkz
道玄坂Lt#2 wdkz
ハイレゾの話
ハイレゾの話
Shiny-Serverあれこれ
Shiny-Serverあれこれ
データサイエンティストカジュアルトーク by wdkz
データサイエンティストカジュアルトーク by wdkz
R-3.0.0でGLM
R-3.0.0でGLM
はじめてのShiny
はじめてのShiny
JuliaでGLM
JuliaでGLM
そろそろRStudioの話
そろそろRStudioの話
RでつくるWebアプリ~rApache編~
RでつくるWebアプリ~rApache編~
Rでウォーリを探してみた
Rでウォーリを探してみた
Rが苦手な人にもRを使って頂くために~RcommanderとRook~
Rが苦手な人にもRを使って頂くために~RcommanderとRook~
RでGPU使ってみた
RでGPU使ってみた
Tokyo.R#16 wdkz
Tokyo.R#16 wdkz
Recently uploaded
International Politics I - Lecture 1
International Politics I - Lecture 1
Toru Oga
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
Ken Fukui
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
inspirehighstaff03
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
oganekyokoi
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
oganekyokoi
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
inspirehighstaff03
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
ssusere0a682
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
inspirehighstaff03
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
inspirehighstaff03
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
yukisuga3
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
inspirehighstaff03
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
Ken Fukui
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
inspirehighstaff03
What I did before opening my business..pdf
What I did before opening my business..pdf
oganekyokoi
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
inspirehighstaff03
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
inspirehighstaff03
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
Ken Fukui
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
inspirehighstaff03
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
Ken Fukui
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
inspirehighstaff03
Recently uploaded
(20)
International Politics I - Lecture 1
International Politics I - Lecture 1
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
リアル戦国探究in米沢 当日講座3スライド(スタッフ共有用)『糧は三度はさいせず』についてのスライド
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
My Inspire High Award2024「外国人が日本のテーブルマナーに驚く理由は?」
Divorce agreements in administrative work.pdf
Divorce agreements in administrative work.pdf
Establishment and operation of medical corporations.pdf
Establishment and operation of medical corporations.pdf
My Inspire High Award 2024 「正義って存在するの?」
My Inspire High Award 2024 「正義って存在するの?」
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
【ゲーム理論入門】ChatGPTが作成した ゲーム理論の問題を解く #3 Slide
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「老いることは不幸なこと?」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
My Inspire High Award 2024「世の中の流行はどのようにして生まれるのか」
TEAMIN Service overview for customer_20240422.pdf
TEAMIN Service overview for customer_20240422.pdf
My Inspire High Award 2024 「AIと仲良くなるには?」
My Inspire High Award 2024 「AIと仲良くなるには?」
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
リアル戦国探究in米沢 当日講座2スライド(スタッフ共有用)『人を致すも人に致されず』についてのスライド
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
My Inspire High Award 2024「なぜ、好きなことにいつかは飽きるの」
What I did before opening my business..pdf
What I did before opening my business..pdf
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024「なぜ人は他人と違うところがあってもそれをなかなか誇れないのか?」
My Inspire High Award 2024 「家族とは何か」
My Inspire High Award 2024 「家族とは何か」
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
リアル戦国探究in米沢 事前講座2スライド(スタッフ共有用)『両雄の強さの秘密』についてのスライド
My Inspire High Award 2024 「孤独は敵なのか?」
My Inspire High Award 2024 「孤独は敵なのか?」
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
リアル戦国探究in米沢 当日講座1(スタッフ共有用)『兵は詐をもって立つ』についてのスライド
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
My Inspire High Award 2024「他者と自分、対立を防ぐには?」
Rで触れる日本経済~RでVAR編~
1.
Rで触れる日本の経済
~RでVAR編~ 2012/10/20 Tokyo.R#27 和田 計也 サイバー系
2.
サイバー系
はじめに ※この発表は個人の 見解であり、所属す る組織の公式見解で はありません。 2012/10/20 1
3.
サイバー系
自己紹介 和田 計也(@wdkz) 静岡県袋井市出身 サイバー系企業でデータマイニングエンジニア職 最近は奥華子ばっか聴いてます 前職はバイオベンチャー バイオマーカ探索してた 学生時代は枯草菌の研究 2012/10/20 2
4.
サイバー系
最近の株価と為替相場 企業のグローバル化(仮)に伴って、円高(為替)が株価に与える 影響が大きい昨今なんじゃないかと思ってみたり 2012/10/20 3
5.
サイバー系
今日のお話 企業の株価はYFinaceYJパッケージで取得 Tokyo.R主催者作 ドル⇔円の為替相場はYahoo! Japanからとってくる 自作 VAR(ベクトル自己回帰モデル)でモデル化 米ドル⇔円の為替相場に影響されてる株はどれかな? 2012/10/20 4
6.
サイバー系
RFinanceFJパッケージで株価取得 library(RFinanceYJ) dna <- quoteStockTsData(‘2432.t’, since=‘2012-01-01’) #SNS mizuho <- quoteStockTsData(‘8411.t’, since=‘2012-01-01’) #金融 sony <- quoteStockTsData(‘6758.t’, since=‘2012-01-01’) #電機 toyota <- quoteStockTsData(‘7203.t’, since=‘2012-01-01’) #自動車 takeda <- quoteStockTsData(‘4502.t’, since=‘2012-01-01’) #製薬 head(dna) #↓以下のようなdata.frame型でデータ取得できる date open height low close volume adj_close 198 2012-01-04 2321 2325 2285 2292 2077200 2292 197 2012-01-05 2288 2290 2217 2222 2882400 2222 196 2012-01-06 2235 2238 2111 2117 5601200 2117 195 2012-01-10 2092 2099 2000 2027 5049000 2027 194 2012-01-11 2005 2060 1891 1899 9326000 1899 193 2012-01-12 1922 1973 1883 1946 11128900 1946 2012/10/20 5
7.
サイバー系
自作関数で為替情報取得 #米ドル dollar <- getCurrencyEx(start.dt=‘2012-01-01’, end.dt=Sys.Date()-1) head(dollar) #↓以下のようなdata.frame型でデータ取得できる date open height low close 207 2012-01-02 76.9300 77.1200 76.8399 76.8600 206 2012-01-03 76.8799 76.9599 76.5899 76.6200 205 2012-01-04 76.6900 76.8199 76.5800 76.6699 204 2012-01-05 76.6999 77.2300 76.6500 77.1699 203 2012-01-06 77.1200 77.3199 76.9499 76.9800 202 2012-01-09 76.8899 77.0000 76.7500 76.8300 2012/10/20 6
8.
サイバー系
(参考)getCurrencyEx関数_1 getCurrencyEx <- function(start.dt=as.Date(“2012-01-01”), end.dt=(Sys.Date()-1), type=c("d", "w", "m"), currency.from="USD", currency.to="JPY"){ url.str <- paste("http://info.finance.yahoo.co.jp/history/?code=", currency.from, currency.to, "%3DX&sy=", as.POSIXlt(start.dt)$year+1900, "&sm=", as.POSIXlt(start.dt)$mon+1, "&sd=", as.POSIXlt(start.dt)$mday, "&ey=", as.POSIXlt(end.dt)$year+1900, "&em=", as.POSIXlt(end.dt)$mon+1, "&ed=", as.POSIXlt(end.dt)$mday, "&tm=", type[1], sep="") #内部関数_必要データのリンク(ベクトル)を取得 getLinks <- function(url.str){ res.html <- RCurl::getURL(url.str) res.htmlv <- unlist(strsplit(res.html, "¥n")) s.idx <- which(res.htmlv %in% "<!--時系列-->") e.idx <- which(res.htmlv %in% "<!--アフィニティ-->") res.htmlv2 <- res.htmlv[s.idx:e.idx] ts.data <- res.htmlv2[grep("^</tr><tr><td>.*", res.htmlv2)] links <- res.htmlv2[grep("<!--ページング-->", res.htmlv2)] links2 <- unlist(strsplit(links, "[</a>|</span>]<a href=¥¥¥"")) links3 <- links2[grep("^http://.*p=¥¥d¥¥¥" title=", links2)] 2012/10/20 7
9.
サイバー系
(参考)getCurrencyEx関数_2 if(length(links3)==0){ return(url.str) }else{ return(c(url.str, unlist(lapply(strsplit(links3, "¥¥¥" title="), function(x){x[1]})))) } } url.links <- getLinks(url.str) #内部関数_urlから必要データ取得 get.tbl <- function(url.str1){ res.html <- RCurl::getURL(url.str1) res.htmlv <- unlist(strsplit(res.html, "¥n")) s.idx <- which(res.htmlv %in% "<!--時系列-->") e.idx <- which(res.htmlv %in% "<!--アフィニティ-->") res.htmlv2 <- res.htmlv[s.idx:e.idx] ts.data <- res.htmlv2[grep("^</tr><tr><td>.*", res.htmlv2)] ts.data2 <- unlist(strsplit(ts.data, "</tr><tr><td>")) ts.data3 <- matrix(unlist(strsplit(ts.data2, "</td><td>")), ncol=5, byrow=TRUE) 2012/10/20 8
10.
サイバー系
(参考)getCurrencyEx関数_3 ts.data3[grep("¥¥d+</td>", ts.data3[,5]),5] <- gsub("[</td>|</td></tr><table>]","", ts.data3[grep("¥¥d+</td>", ts.data3[,5]),5]) ts.data3 <- as.data.frame(ts.data3, stringsAsFactors=FALSE) ts.data3[,2] <- as.numeric(ts.data3[,2]); ts.data3[,3] <- as.numeric(ts.data3[,3]) ts.data3[,4] <- as.numeric(ts.data3[,4]); ts.data3[,5] <- as.numeric(ts.data3[,5]) ts.data3[,1] <- as.Date(gsub("日", "", gsub("[年|月]", "-", ts.data3[,1]))) colnames(ts.data3) <- c("date", "open", "height", "low", "close") return(ts.data3) } for(i in 1:length(url.links)){ if(i==1){ ret.tbl <- get.tbl(url.links[i]) }else{ ret.tbl <- rbind(ret.tbl, get.tbl(url.links[i])) } } return(ret.tbl[nrow(ret.tbl):1, ]) } 2012/10/20 9
11.
サイバー系
VARについて VAR(ベクトル自己回帰モデル) 𝑦 𝑡 = 𝑐 + 𝐴1 𝑦 𝑡−1 + 𝐴2 𝑦 𝑡−2 + ・・・ + 𝐴 𝑝 𝑦 𝑡−𝑝 + 𝑒 𝑡 まああれだ、ARの多変量版 p個前の過去データでモデリング これが1x kのベクトルになってて 多変量になってる 壊れるほど愛 しても1/3も伝 わらないって 本当かい!? 2012/10/20 10
12.
サイバー系
前述の関数を使って、データを取得してdata.frameに #2432; ディー・エヌ・エー #4502; 武田薬品工業 とりあえず2012年 #6758; ソニー のデータを取得 #7203; トヨタ自動車 #8411; みずほフィナンシャルグループ res.list <- list( dollar=getCurrencyEx(start.dt="2012-01-01", end.dt=Sys.Date()-1), dna=quoteStockTsData('2432.t', since='2012-01-01'), takeda=quoteStockTsData('4502.t', since='2012-01-01'), sony=quoteStockTsData('6758.t', since='2012-01-01'), toyota=quoteStockTsData('7203.t', since='2012-01-01'), mizuho=quoteStockTsData('8411.t', since='2012-01-01') ) #data.frameにするために、必要な項目だけ抽出 res.list2 <- lapply(res.list, function(x){ y <- as.data.frame(matrix(c(as.character(x$date), (x$height+x$low)/2), ncol=2), stringsAsFactors=FALSE); colnames(y) <- c("date", "price"); y$date <- as.Date(y$date); y$price <- as.numeric(y$price); return(y)}) 2012/10/20 11
13.
サイバー系
前述の関数を使って、データを取得してdata.frameに #為替相場と株価情報とで共通に存在する日を抽出 for(i in 2:length(res.list2)){ if(i==2){ all.day <- intersect(as.character(res.list2[[i-1]]$date), as.character(res.list2[[i]]$date)) }else{ all.day <- intersect(all.day, as.character(res.list2[[i]]$date)) } } res.list3 <- lapply(res.list2, function(x){x[as.character(x$date) %in% all.day,]}) #listをdata.frameに変換 res.df <- as.data.frame(do.call(cbind, res.list3)) rownames(res.df) <- res.df[,grep(".*¥¥.date", colnames(res.df))[1]] res.df <- res.df[,-grep(".*¥¥.date", colnames(res.df))] 2012/10/20 12
14.
サイバー系
こんな感じのdata.frame head(res.df) dollar.price dna.price takeda.price sony.price mizuho.price toyota.price 2012-01-04 76.69995 2305.0 3407.5 1405.5 106.5 2627.0 2012-01-05 76.94000 2253.5 3390.0 1379.0 108.0 2646.0 2012-01-06 77.13490 2174.5 3347.5 1347.5 107.0 2631.5 2012-01-10 76.82000 2049.5 3340.0 1354.0 108.0 2635.0 2012-01-11 76.90995 1975.5 3287.5 1352.5 109.0 2624.0 2012-01-12 76.80995 1928.0 3247.5 1331.0 109.0 2604.5 plot(ts(res.df)) 2012/10/20 13
15.
サイバー系
米ドル・株価を増減率に レンジを揃えるために前日からの増減率(-1 ~ 1)に変換 res.diff <- apply(res.df, 2, diff) #前日との差分 res.per <- res.diff/res.df[-1,] #前日からの増減差分 head(res.per) dollar.price dna.price takeda.price sony.price mizuho.price toyota.price 2012-01-05 3.12e-03 -0.022853 -0.00516 -0.01922 0.01389 0.00718 2012-01-06 2.53e-03 -0.036330 -0.01270 -0.02338 -0.00935 -0.00551 2012-01-10 -4.10e-03 -0.060990 -0.00225 0.00480 0.00926 0.00133 2012-01-11 1.17e-03 -0.037459 -0.01597 -0.00111 0.00917 -0.00419 2012-01-12 -1.30e-03 -0.024637 -0.01232 -0.01615 0.00000 -0.00749 2012-01-13 6.51e-05 -0.000779 -0.00776 -0.00301 0.00000 0.01026 plot(ts(res.per)) 2012/10/20 14
16.
サイバー系
VARするちょい手前 tseries::adf.test(res.per[,1]) #単位根検定でランダムウォークじゃないことを確認して Augmented Dickey-Fuller Test data: res.diff[, 1] Dickey-Fuller = -9.06, Lag order = 1, p-value = 0.01 alternative hypothesis: stationary 警告メッセージ: In tseries::adf.test(res.diff[, 1], k = 1) : p-value smaller than printed p-value vars::VARselect(res.per, lag.max=7, type=“const”) #AICを基準に次数決め $selection AIC(n) HQ(n) SC(n) FPE(n) AICにより次数1が最適。 1 1 1 1 つまり1日前のデータから当日のデータを説明するのがベストってこと $criteria 1 2 3 4 5 6 7 AIC(n) 2.64e+01 2.64e+01 2.66e+01 2.68e+01 2.69e+01 2.70e+01 2.71e+01 HQ(n) 2.67e+01 2.69e+01 2.74e+01 2.78e+01 2.82e+01 2.85e+01 2.89e+01 SC(n) 2.71e+01 2.77e+01 2.85e+01 2.93e+01 3.01e+01 3.08e+01 3.15e+01 FPE(n) 2.87e+11 2.90e+11 3.47e+11 4.20e+11 4.99e+11 5.56e+11 6.30e+11 2012/10/20 15
17.
サイバー系
VARする var.result <- vars::VAR(res.per, p=1, type=“const”) #次数1ってことでp=1 summary(var.result) #サマる Estimation results for equation dollar.price: ============================================= sony.price = dollar.price.l1 + dna.price.l1 + takeda.price.l1 + sony.price.l1 + mizuho.price.l1 + toyota.price.l1 + const Estimate Std. Error t value Pr(>|t|) dollar.price.l1 1.63397 0.47930 3.41 0.0008 *** dna.price.l1 0.03380 0.04337 0.78 0.4368 takeda.price.l1 0.31132 0.20048 1.55 0.1221 sony.price.l1 0.02458 0.09488 0.26 0.7958 mizuho.price.l1 0.18670 0.16119 1.16 0.2482 toyota.price.l1 -0.20480 0.16619 -1.23 0.2194 const -0.00233 0.00153 -1.52 0.1303 明日のソニー株価価格の増減割合 = 1.6*今日の1ドルの円価格増減割合 + 0.034*今日のDeNA株価の価格増減割合 + 0.31*今日の武田薬品株価の価格増減割合 + 0.024*今日のSony株価の価格増減割合 + 0.19*今日のみずほ株価の価格増減割合 - 0.204*今日のトヨタ株価の価格増減割合 - 0.002 2012/10/20 16
18.
サイバー系
VARする_サマる続き Estimation results for equation dollar.price: ============================================= dollar.price = dollar.price.l1 + dna.price.l1 + takeda.price.l1 + sony.price.l1 + mizuho.price.l1 + toyota.price.l1 + const Estimate Std. Error t value Pr(>|t|) dollar.price.l1 2.99e-01 8.14e-02 3.68 0.00031 *** dna.price.l1 4.42e-03 7.37e-03 0.60 0.54932 takeda.price.l1 2.78e-02 3.40e-02 0.82 0.41602 sony.price.l1 -3.51e-03 1.61e-02 -0.22 0.82780 mizuho.price.l1 -1.29e-02 2.74e-02 -0.47 0.63704 toyota.price.l1 -9.32e-03 2.82e-02 -0.33 0.74149 const 7.82e-05 2.60e-04 0.30 0.76416 Estimation results for equation dna.price: ========================================== dna.price = dollar.price.l1 + dna.price.l1 + takeda.price.l1 + sony.price.l1 + mizuho.price.l1 + toyota.price.l1 + const Estimate Std. Error t value Pr(>|t|) dollar.price.l1 -6.47e-01 7.99e-01 -0.81 0.4190 dna.price.l1 2.32e-01 7.23e-02 3.21 0.0015 ** takeda.price.l1 4.20e-01 3.34e-01 1.26 0.2099 sony.price.l1 1.36e-03 1.58e-01 0.01 0.9932 mizuho.price.l1 4.77e-01 2.69e-01 1.78 0.0774 . toyota.price.l1 -3.28e-01 2.77e-01 -1.18 0.2380 const -3.74e-05 2.55e-03 -0.01 0.9883 2012/10/20 17
19.
サイバー系
VARする_サマる続き2 Estimation results for equation takeda.price: ============================================= takeda.price = dollar.price.l1 + dna.price.l1 + takeda.price.l1 + sony.price.l1 + mizuho.price.l1 + toyota.price.l1 + const Estimate Std. Error t value Pr(>|t|) dollar.price.l1 0.265242 0.186653 1.42 0.1570 dna.price.l1 0.014896 0.016888 0.88 0.3789 takeda.price.l1 0.212129 0.078074 2.72 0.0072 ** sony.price.l1 -0.001617 0.036948 -0.04 0.9651 mizuho.price.l1 0.010935 0.062772 0.17 0.8619 toyota.price.l1 -0.063850 0.064720 -0.99 0.3251 const 0.000231 0.000597 0.39 0.6998 Estimation results for equation sony.price: =========================================== mizuho.price = dollar.price.l1 + dna.price.l1 + takeda.price.l1 + sony.price.l1 + mizuho.price.l1 + toyota.price.l1 + const Estimate Std. Error t value Pr(>|t|) dollar.price.l1 0.899054 0.309867 2.90 0.0042 ** dna.price.l1 0.012549 0.028036 0.45 0.6549 takeda.price.l1 0.283463 0.129612 2.19 0.0300 * sony.price.l1 -0.069961 0.061338 -1.14 0.2555 mizuho.price.l1 0.240696 0.104209 2.31 0.0220 * toyota.price.l1 -0.212064 0.107443 -1.97 0.0499 * const 0.000314 0.000991 0.32 0.7520 2012/10/20 18
20.
サイバー系
VARする_サマる続き3 Estimation results for equation takeda.price: ============================================= toyota.price = dollar.price.l1 + dna.price.l1 + takeda.price.l1 + sony.price.l1 + mizuho.price.l1 + toyota.price.l1 + const Estimate Std. Error t value Pr(>|t|) dollar.price.l1 1.058859 0.316993 3.34 0.001 ** dna.price.l1 0.024938 0.028681 0.87 0.386 takeda.price.l1 0.195947 0.132593 1.48 0.141 sony.price.l1 -0.091743 0.062748 -1.46 0.145 mizuho.price.l1 0.107951 0.106606 1.01 0.313 toyota.price.l1 -0.005723 0.109914 -0.05 0.959 const 0.000186 0.001014 0.18 0.855 --- Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 2012/10/20 19
21.
サイバー系
Grangerの因果検定 変数Xが変数Yの予測に効いてるかどうか MSBVAR::granger.test(res.per, p=1) F-statistic p-value F-statistic p-value dna.price -> dollar.price 1.64e-01 0.686204 dollar.price -> sony.price 1.25e+01 0.000513 takeda.price -> dollar.price 2.61e-01 0.610062 dna.price -> sony.price 4.53e-01 0.501593 sony.price -> dollar.price 2.04e-01 0.652294 takeda.price -> sony.price 3.93e+00 0.048861 mizuho.price -> dollar.price 4.32e-01 0.512008 mizuho.price -> sony.price 3.49e+00 0.063165 toyota.price -> dollar.price 4.47e-01 0.504583 toyota.price -> sony.price 4.24e-01 0.515750 dollar.price -> dna.price 2.23e-01 0.637393 dollar.price -> mizuho.price 4.63e+00 0.032723 takeda.price -> dna.price 2.95e+00 0.087417 dna.price -> mizuho.price 1.38e-04 0.990638 sony.price -> dna.price 2.30e-01 0.632001 takeda.price -> mizuho.price 4.16e+00 0.042698 mizuho.price -> dna.price 2.35e+00 0.127008 sony.price -> mizuho.price 9.26e-01 0.337161 toyota.price -> dna.price 1.42e-03 0.969947 toyota.price -> mizuho.price 2.56e+00 0.111562 dollar.price -> takeda.price 1.18e+00 0.278734 dollar.price -> toyota.price 1.11e+01 0.001057 dna.price -> takeda.price 5.30e-01 0.467283 dna.price -> toyota.price 4.21e-01 0.517454 sony.price -> takeda.price 1.89e-04 0.989043 takeda.price -> toyota.price 2.92e+00 0.089006 mizuho.price -> takeda.price 1.79e-04 0.989350 sony.price -> toyota.price 8.21e-02 0.774766 toyota.price -> takeda.price 1.61e-01 0.688693 mizuho.price -> toyota.price 2.24e+00 0.136206 ホントは多重検定問題によるfalse positive上昇とか注意しないといけないですよ 2012/10/20 20
22.
サイバー系
インパルス応答関数 変数Xが変数Yの予測に効いてるかどうか(±どっちに効いてるか) plot(irf(var.result, impulse="dollar.price", response=c("dna.price", "sony.price", "toyota.price", "takeda.price", "mizuho.price"), boot=TRUE)) 米ドル為替相場がS○ny, T○Y○TA, (若干Miz○h○も)の 株価に与える影響は無視できん感じ 2012/10/20 21
23.
サイバー系
VARのモデリングをMCMCで行う MCMCでVARモデリングして何の意味があるの?とか言わない sink("mcmc.jags") cat(" model{ for(t in p+1:T){ Dol[t] ~ dnorm(Dol.mu[t], Dol.tau); Dna[t] ~ dnorm(Dna.mu[t], Dna.tau) Tak[t] ~ dnorm(Tak.mu[t], Tak.tau); Sny[t] ~ dnorm(Sny.mu[t], Sny.tau) Miz[t] ~ dnorm(Miz.mu[t], Miz.tau); Toy[t] ~ dnorm(Toy.mu[t], Toy.tau) Dol.mu[t] <- alp.Dol + beta.Dol2Dol[1]*Dol[t-1] + beta.Dna2Dol[1]*Dna[t-1] + beta.Tak2Dol[1]*Tak[t-1] + beta.Sny2Dol[1]*Sny[t-1] + beta.Toy2Dol[1]*Toy[t-1] + beta.Miz2Dol[1]*Miz[t-1] Dna.mu[t] <- alp.Dna + beta.Dna2Dna[1]*Dna[t-1] + beta.Dol2Dna[1]*Dol[t-1] + beta.Tak2Dna[1]*Tak[t-1] + beta.Sny2Dna[1]*Sny[t-1] + beta.Toy2Dna[1]*Toy[t-1] + beta.Miz2Dna[1]*Miz[t-1] Tak.mu[t] <- alp.Tak + beta.Tak2Tak[1]*Tak[t-1] + beta.Dol2Tak[1]*Dol[t-1] + beta.Dna2Tak[1]*Dna[t-1] + beta.Sny2Tak[1]*Sny[t-1] + beta.Toy2Tak[1]*Toy[t-1] + beta.Miz2Tak[1]*Miz[t-1] Sny.mu[t] <- alp.Sny + beta.Sny2Sny[1]*Sny[t-1] + beta.Dol2Sny[1]*Dol[t-1] + beta.Dna2Sny[1]*Dna[t-1] + beta.Tak2Sny[1]*Tak[t-1] + beta.Toy2Sny[1]*Toy[t-1] + beta.Miz2Sny[1]*Miz[t-1] Toy.mu[t] <- alp.Toy + beta.Toy2Toy[1]*Toy[t-1] + beta.Dol2Toy[1]*Dol[t-1] + beta.Dna2Toy[1]*Dna[t-1] + beta.Tak2Toy[1]*Tak[t-1]+ beta.Sny2Toy[1]*Sny[t-1] + beta.Miz2Toy[1]*Miz[t-1] Miz.mu[t] <- alp.Miz + beta.Miz2Miz[1]*Miz[t-1] + beta.Dol2Miz[1]*Dol[t-1] + beta.Dna2Miz[1]*Dna[t-1] + beta.Tak2Miz[1]*Tak[t-1] + beta.Sny2Miz[1]*Sny[t-1] + beta.Toy2Miz[1]*Toy[t-1] } alp.Dol ~ dnorm(0, 0.001); alp.Sny ~ dnorm(0, 0.001) alp.Toy ~ dnorm(0, 0.001); alp.Dna ~ dnorm(0, 0.001) alp.Tak ~ dnorm(0, 0.001); alp.Miz ~ dnorm(0, 0.001) 2012/10/20 22
24.
サイバー系
VARのモデリングをMCMCで行う_2 for(m in 1:p){ #mは次数で今回は1 beta.Dol2Dol[m] ~ dnorm(0,0.001); beta.Sny2Sny[m] ~ dnorm(0,0.001); beta.Toy2Toy[m] ~ dnorm(0,0.001) beta.Dna2Dna[m] ~ dnorm(0,0.001); beta.Tak2Tak[m] ~ dnorm(0,0.001); beta.Miz2Miz[m] ~ dnorm(0,0.001) beta.Sny2Dol[m] ~ dnorm(0,0.001); beta.Sny2Toy[m] ~ dnorm(0,0.001); beta.Sny2Yah[m] ~ dnorm(0,0.001) beta.Sny2Dna[m] ~ dnorm(0,0.001); beta.Sny2Tak[m] ~ dnorm(0,0.001); beta.Sny2Pan[m] ~ dnorm(0,0.001) beta.Sny2Miz[m] ~ dnorm(0,0.001); beta.Sny2Unq[m] ~ dnorm(0,0.001); beta.Dol2Sny[m] ~ dnorm(0,0.001) beta.Dol2Toy[m] ~ dnorm(0,0.001); beta.Dol2Yah[m] ~ dnorm(0,0.001); beta.Dol2Dna[m] ~ dnorm(0,0.001) beta.Dol2Tak[m] ~ dnorm(0,0.001); beta.Dol2Pan[m] ~ dnorm(0,0.001); beta.Dol2Miz[m] ~ dnorm(0,0.001) beta.Dol2Unq[m] ~ dnorm(0,0.001); beta.Toy2Dol[m] ~ dnorm(0,0.001); beta.Toy2Sny[m] ~ dnorm(0,0.001) beta.Toy2Yah[m] ~ dnorm(0,0.001); beta.Toy2Dna[m] ~ dnorm(0,0.001); beta.Toy2Tak[m] ~ dnorm(0,0.001) beta.Toy2Pan[m] ~ dnorm(0,0.001); beta.Toy2Miz[m] ~ dnorm(0,0.001); beta.Toy2Unq[m] ~ dnorm(0,0.001) beta.Dna2Dol[m] ~ dnorm(0,0.001); beta.Dna2Sny[m] ~ dnorm(0,0.001); beta.Dna2Yah[m] ~ dnorm(0,0.001) beta.Dna2Toy[m] ~ dnorm(0,0.001); beta.Dna2Tak[m] ~ dnorm(0,0.001); beta.Dna2Pan[m] ~ dnorm(0,0.001) beta.Dna2Miz[m] ~ dnorm(0,0.001); beta.Dna2Unq[m] ~ dnorm(0,0.001); beta.Tak2Dol[m] ~ dnorm(0,0.001) beta.Tak2Sny[m] ~ dnorm(0,0.001); beta.Tak2Yah[m] ~ dnorm(0,0.001); beta.Tak2Dna[m] ~ dnorm(0,0.001) beta.Tak2Toy[m] ~ dnorm(0,0.001); beta.Tak2Pan[m] ~ dnorm(0,0.001); beta.Tak2Miz[m] ~ dnorm(0,0.001) beta.Tak2Unq[m] ~ dnorm(0,0.001); beta.Miz2Dol[m] ~ dnorm(0,0.001); beta.Miz2Sny[m] ~ dnorm(0,0.001) beta.Miz2Dna[m] ~ dnorm(0,0.001); beta.Miz2Tak[m] ~ dnorm(0,0.001); beta.Miz2Toy[m] ~ dnorm(0,0.001) } Dol.tau ~ dgamma(0.001, 0.001); Sny.tau ~ dgamma(0.001, 0.001); Toy.tau ~ dgamma(0.001, 0.001) Dna.tau ~ dgamma(0.001, 0.001); Tak.tau ~ dgamma(0.001, 0.001); Miz.tau ~ dgamma(0.001, 0.001) } ", fill=TRUE) sink() *betaは二次元配列にすればスッキリ書けるが、結果の見やすさのために冗長に記述した 2012/10/20 23
25.
サイバー系
VARのモデリングをMCMCで行う_3 res.per <- as.data.frame(res.per) mc2.res <- jags.model("mcmc.jags", data=list('T'=nrow(res.per), 'Dol'=res.per$dollar.price, 'Sny'=res.per$sony.price, 'Toy'=res.per$toyota.price, 'Dna'=res.per$dna.price, 'Tak'=res.per$takeda.price, 'Miz'=res.per$mizuho.price, 'p'=1), n.chain=3, n.adapt=5000) #次後分布の結果は抜粋 posterior <- coda.samples(mc2.res, c("Sny.tau", "alp.Sny", "beta.Sny2Sny[1]", "beta.Dol2Sny[1]", "beta.Toy2Sny[1]", "beta.Dna2Sny[1]", "beta.Tak2Dna[1]", "beta.Miz2Sny[1]"), 50000) summary(posterior) 1. Empirical mean and standard deviation for each variable, plus standard error of the mean: Mean SD Naive SE Time-series SE Sny.tau 2.21e+03 2.27e+02 5.85e-01 5.86e-01 さっきの計算結果 alp.Sny -2.33e-03 1.56e-03 4.03e-06 4.11e-06 Estimate Std. Error t value Pr(>|t|) beta.Dna2Sny[1] 3.37e-02 4.43e-02 1.14e-04 1.30e-04 const -0.00233 0.00153 -1.52 0.1303 dna.price.l1 0.03380 0.04337 0.78 0.4368 beta.Dol2Sny[1] 1.64e+00 4.87e-01 1.26e-03 1.41e-03 dollar.price.l1 1.63397 0.47930 3.41 0.0008 beta.Miz2Sny[1] 1.87e-01 1.63e-01 4.22e-04 7.40e-04 mizuho.price.l1 0.18670 0.16119 1.16 0.2482 sony.price.l1 0.02458 0.09488 0.26 0.7958 beta.Sny2Sny[1] 2.48e-02 9.64e-02 2.49e-04 3.76e-04 takeda.price.l1 0.31132 0.20048 1.55 0.1221 beta.Tak2Dna[1] 4.22e-01 3.37e-01 8.71e-04 1.00e-03 toyota.price.l1 -0.20480 0.16619 -1.23 0.2194 beta.Toy2Sny[1] -2.05e-01 1.70e-01 4.38e-04 8.13e-04 2012/10/20 24
26.
サイバー系
まとめ 1. @yokkunさん作成のRFinanceYJ使って株価データ取得 して 2. 自作の関数使って米ドル⇔円の為替情報取得して 3. VARでモデル化してみました 4. VARはmcmcでモデル化することもできます 2012/10/20 25