如果你也在 怎样代写r语言这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。
R是一种用于统计计算和图形的编程语言，由R核心团队和R统计计算基金会支持。R由统计学家Ross Ihaka和Robert Gentleman创建，在数据挖掘者和统计学家中被用于数据分析和开发统计软件。用户已经创建了软件包来增强R语言的功能。
根据用户调查和对学术文献数据库的研究，R是数据挖掘中最常用的编程语言之一。[6] 截至2022年3月，R在衡量编程语言普及程度的TIOBE指数中排名第11位。
官方的R软件环境是GNU软件包中的一个开源自由软件环境，在GNU通用公共许可证下提供。它主要是用C、Fortran和R本身（部分自我托管）编写的。预编译的可执行文件提供给各种操作系统。R有一个命令行界面。[8] 也有多个第三方图形用户界面，如RStudio，一个集成开发环境，和Jupyter，一个笔记本界面。
statistics-lab™ 为您的留学生涯保驾护航 在代写r语言方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在代写r语言代写方面经验极为丰富，各种代写r语言相关的作业也就用不着说。
我们提供的r语言及其相关学科的代写，服务范围广, 其中包括但不限于:
- Statistical Inference 统计推断
- Statistical Computing 统计计算
- Advanced Probability Theory 高等楖率论
- Advanced Mathematical Statistics 高等数理统计学
- (Generalized) Linear Models 广义线性模型
- Statistical Machine Learning 统计机器学习
- Longitudinal Data Analysis 纵向数据分析
- Foundations of Data Science 数据科学基础
统计代写|r语言作业代写代考|Kurtosis
Kurtosis is a measure of the degree to which portfolio returns appear in the tails of their distribution. A normal distribution has a kurtosis of 3 , which follows from the fact that a normal distribution does have some of its mass in its tails. A distribution with a kurtosis greater than 3 has more returns in its tails than the normal, and one with kurtosis less than 3 has fewer returns in its tails than the normal. That matters to investors because more bad returns in the tails means that our portfolio might be at risk of a rare but huge downside event. The terminology is a bit confusing because negative kurtosis actually is less risky because it has fewer returns in the tails.
Kurtosis is often described as negative excess or positive excess, and that is in comparison to a kurtosis of 3. A distribution with negative excess kurtosis equal to $-1$ has an absolute kurtosis of 2 , but we subtract 3 from 2 to get to $-1$. Remember, though, the negative kurtosis means fewer returns in the tails and, probably, less risk.
Here is the equation for excess kurtosis. Note that we subtract 3 at the end:
$$
\text { Kurtosis }=\sum_{t=1}^{n}\left(x_{i}-\bar{x}\right)^{4} / n /\left(\sum_{t=1}^{n}\left(x_{i}-\bar{x}\right)^{2} / n\right)^{2}-3
$$
The code flows for calculating kurtosis and rolling kurtosis are quite similar to those for skewness, except we use the built-in kurtosis () function. That was by design, we want to write code that can easily be reused for another project.
统计代写|r语言作业代写代考|Rolling Kurtosis in the xts world
Calculating rolling kurtosis in the xts world uses the same code flow as we used for skewness, except we replace $F U N=$ skewness with FUN $=$ kurtosis.In the tidyverse plus tibbletime paradigm, we return to the rollify() code flow.In the tidyquant world, we, again, wrap rollapply with tq_mutate() and then call FUN $=$ kurtosis.
FIGURE 6.5: Rolling Kurtosis ggplot
Figure $6.5$ looks how we were expecting since it’s the same data as we used for Figure 6.4.
That’s all for our work on kurtosis, which was made a lot more efficient by our work on skewness. Now let’s create one app for interactively visualizing both skewness and kurtosis.To wrap our skewness and kurtosis work into a Shiny application, we start with the same sidebar for stocks, weights, starting date and rolling window, as shown in Figure 6.6.
FIGURE 6.6: www.reproduciblefinance.com/shiny/skewness-kurtosis
Let’s get into the code for this app.
There are three crucial eventReactive() chunks.
First, we calculate portfolio returns based on user input and stay in the xts world.
统计代写|r语言作业代写代考|Concluding Risk
That completes our section on risk, which we treated as the variability of portfolio returns. We have explored several code flows for measuring historical and rolling standard deviation, skewness and kurtosis. From a data science toolkit perspective, we have delved into descriptive statistics for our portfolio, focusing on the variability or dispersion of returns.
One important take-away from this section is how we reused our own code flows to accelerate future work. Our work on skewness was facilitated by our work on standard deviation, and our work on kurtosis flowed from the work on skewness. Writing clear, reproducible code in the first chapter might have taken us a bit more time up front, but it had a nice efficiency payoff in the future chapters. When our work becomes more complex in the real world, those future efficiencies become ever more important. Hopefully this chapter has convinced us that writing good code is not simply an aesthetic nice-to-have it has tangible benefits by saving us time.
If you are starting a new $\mathrm{R}$ session and wish to run our code for the different risk measures calculated in this section, first get the data objects.
R语言代写
统计代写|r语言作业代写代考|Kurtosis
峰度是衡量投资组合回报出现在其分布尾部的程度。正态分布的峰度为 3 ，这是因为正态分布的尾部确实有一些质量。峰度大于 3 的分布的尾部回报比正态分布多，峰度小于 3 的分布尾部回报比正态分布少。这对投资者很重要，因为更多的坏回报意味着我们的投资组合可能面临罕见但巨大的下行事件的风险。这个术语有点令人困惑，因为负峰度实际上风险较小，因为它的尾部回报较少。
峰度通常被描述为负过剩或正过剩，这与峰度 3 相比。负过剩峰度的分布等于−1绝对峰度为 2 ，但我们从 2 中减去 3 得到−1. 但请记住，负峰度意味着尾部的回报更少，并且可能风险更低。
这是过度峰度的方程。请注意，我们在最后减去 3：
峰度 =∑吨=1n(X一世−X¯)4/n/(∑吨=1n(X一世−X¯)2/n)2−3
计算峰度和滚动峰度的代码流程与计算偏度的代码流程非常相似，只是我们使用了内置峰度 () 函数。这是设计使然，我们希望编写可以轻松地用于另一个项目的代码。
统计代写|r语言作业代写代考|Rolling Kurtosis in the xts world
在 xts 世界中计算滚动峰度使用与我们用于偏度相同的代码流，除了我们替换F在ñ=有趣的偏度=峰度。在 tidyverse 加 tibbletime 范式中，我们返回到 rollify() 代码流。在 tidyquant 世界中，我们再次用 tq_mutate() 包装 rollapply，然后调用 FUN=峰态。
图 6.5：滚动峰度 ggplot
图6.5看起来和我们预期的一样，因为它与我们在图 6.4 中使用的数据相同。
这就是我们在峰度方面的工作，通过我们在偏度方面的工作，它变得更加高效。现在让我们创建一个用于交互式可视化偏度和峰度的应用程序。为了将我们的偏度和峰度工作包装到一个闪亮的应用程序中，我们从用于股票、权重、开始日期和滚动窗口的相同侧边栏开始，如图 6.6 所示。
图 6.6：www.reproduciblefinance.com/shiny/skewness-kurtosis
让我们进入这个应用程序的代码。
有三个关键的 eventReactive() 块。
首先，我们根据用户输入计算投资组合回报并留在 xts 世界中。
统计代写|r语言作业代写代考|Concluding Risk
这完成了我们关于风险的部分，我们将其视为投资组合收益的可变性。我们已经探索了几个用于测量历史和滚动标准偏差、偏度和峰度的代码流。从数据科学工具包的角度来看，我们深入研究了投资组合的描述性统计数据，重点关注回报的可变性或分散性。
本节的一个重要收获是我们如何重用自己的代码流来加速未来的工作。我们在标准差方面的工作促进了我们在偏度方面的工作，而我们在峰度方面的工作源于偏度方面的工作。在第一章中编写清晰、可重复的代码可能会花费我们更多的时间，但在以后的章节中它会带来不错的效率回报。当我们的工作在现实世界中变得更加复杂时，这些未来的效率变得越来越重要。希望本章能够让我们相信，编写好的代码不仅仅是一种美感，它可以节省我们的时间，从而带来实实在在的好处。
如果你开始一个新的R会话并希望针对本节计算的不同风险度量运行我们的代码，首先获取数据对象。
统计代写请认准statistics-lab™. statistics-lab™为您的留学生涯保驾护航。
随机过程代考
在概率论概念中，随机过程是随机变量的集合。 若一随机系统的样本点是随机函数，则称此函数为样本函数，这一随机系统全部样本函数的集合是一个随机过程。 实际应用中，样本函数的一般定义在时间域或者空间域。 随机过程的实例如股票和汇率的波动、语音信号、视频信号、体温的变化，随机运动如布朗运动、随机徘徊等等。
贝叶斯方法代考
贝叶斯统计概念及数据分析表示使用概率陈述回答有关未知参数的研究问题以及统计范式。后验分布包括关于参数的先验分布，和基于观测数据提供关于参数的信息似然模型。根据选择的先验分布和似然模型，后验分布可以解析或近似，例如，马尔科夫链蒙特卡罗 (MCMC) 方法之一。贝叶斯统计概念及数据分析使用后验分布来形成模型参数的各种摘要，包括点估计，如后验平均值、中位数、百分位数和称为可信区间的区间估计。此外，所有关于模型参数的统计检验都可以表示为基于估计后验分布的概率报表。
广义线性模型代考
广义线性模型（GLM）归属统计学领域，是一种应用灵活的线性回归模型。该模型允许因变量的偏差分布有除了正态分布之外的其它分布。
statistics-lab作为专业的留学生服务机构，多年来已为美国、英国、加拿大、澳洲等留学热门地的学生提供专业的学术服务，包括但不限于Essay代写，Assignment代写，Dissertation代写，Report代写，小组作业代写，Proposal代写，Paper代写，Presentation代写，计算机作业代写，论文修改和润色，网课代做，exam代考等等。写作范围涵盖高中，本科，研究生等海外留学全阶段，辐射金融，经济学，会计学，审计学，管理学等全球99%专业科目。写作团队既有专业英语母语作者，也有海外名校硕博留学生，每位写作老师都拥有过硬的语言能力，专业的学科背景和学术写作经验。我们承诺100%原创，100%专业，100%准时，100%满意。
机器学习代写
随着AI的大潮到来，Machine Learning逐渐成为一个新的学习热点。同时与传统CS相比，Machine Learning在其他领域也有着广泛的应用，因此这门学科成为不仅折磨CS专业同学的“小恶魔”，也是折磨生物、化学、统计等其他学科留学生的“大魔王”。学习Machine learning的一大绊脚石在于使用语言众多，跨学科范围广，所以学习起来尤其困难。但是不管你在学习Machine Learning时遇到任何难题，StudyGate专业导师团队都能为你轻松解决。
多元统计分析代考
基础数据: $N$ 个样本， $P$ 个变量数的单样本，组成的横列的数据表
变量定性: 分类和顺序；变量定量：数值
数学公式的角度分为: 因变量与自变量
时间序列分析代写
随机过程，是依赖于参数的一组随机变量的全体，参数通常是时间。 随机变量是随机现象的数量表现，其时间序列是一组按照时间发生先后顺序进行排列的数据点序列。通常一组时间序列的时间间隔为一恒定值（如1秒，5分钟，12小时，7天，1年），因此时间序列可以作为离散时间数据进行分析处理。研究时间序列数据的意义在于现实中，往往需要研究某个事物其随时间发展变化的规律。这就需要通过研究该事物过去发展的历史记录，以得到其自身发展的规律。
回归分析代写
多元回归分析渐进（Multiple Regression Analysis Asymptotics）属于计量经济学领域，主要是一种数学上的统计分析方法，可以分析复杂情况下各影响因素的数学关系，在自然科学、社会和经济学等多个领域内应用广泛。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。