Rによるスプライン補間

Reference – https://twitter.com/RLangTip/status/659038352595886081
Script
#set.seed(20151028)
#set.seed(NULL)
pointX<-3.5
nPoint<-5
nspar<-0.1
x<-seq(1,nPoint,by=1)
y<-round(x+rnorm(nPoint),1);y
plot(x,y)
fitCurve<-smooth.spline(x,y,spar=nspar);fitCurve
x0<-seq(0,10,length=100)
vPredict<-predict(fitCurve,x0);vPredict
lines(vPredict,col="red")
predict(fitCurve,x=pointX)
Result
> y
[1] 0.2 3.1 3.5 2.4 5.7

> fitCurve
Call:
smooth.spline(x = x, y = y, spar = nspar)

Smoothing Parameter  spar= 0.1  lambda= 3.913515e-05
Equivalent Degrees of Freedom (Df): 4.913425
Penalized Criterion: 0.003053279
GCV: 2.036838

> vPredict
$x
  [1]  0.0000000  0.1010101  0.2020202  0.3030303  0.4040404  0.5050505  0.6060606  0.7070707  0.8080808  0.9090909  1.0101010  1.1111111  1.2121212  1.3131313
 [15]  1.4141414  1.5151515  1.6161616  1.7171717  1.8181818  1.9191919  2.0202020  2.1212121  2.2222222  2.3232323  2.4242424  2.5252525  2.6262626  2.7272727
 [29]  2.8282828  2.9292929  3.0303030  3.1313131  3.2323232  3.3333333  3.4343434  3.5353535  3.6363636  3.7373737  3.8383838  3.9393939  4.0404040  4.1414141
 [43]  4.2424242  4.3434343  4.4444444  4.5454545  4.6464646  4.7474747  4.8484848  4.9494949  5.0505051  5.1515152  5.2525253  5.3535354  5.4545455  5.5555556
 [57]  5.6565657  5.7575758  5.8585859  5.9595960  6.0606061  6.1616162  6.2626263  6.3636364  6.4646465  6.5656566  6.6666667  6.7676768  6.8686869  6.9696970
 [71]  7.0707071  7.1717172  7.2727273  7.3737374  7.4747475  7.5757576  7.6767677  7.7777778  7.8787879  7.9797980  8.0808081  8.1818182  8.2828283  8.3838384
 [85]  8.4848485  8.5858586  8.6868687  8.7878788  8.8888889  8.9898990  9.0909091  9.1919192  9.2929293  9.3939394  9.4949495  9.5959596  9.6969697  9.7979798
 [99]  9.8989899 10.0000000

$y
  [1] -3.1714233 -2.8301253 -2.4888274 -2.1475294 -1.8062314 -1.4649334 -1.1236354 -0.7823375 -0.4410395 -0.0997415  0.2415561  0.5821938  0.9194964  1.2504051
 [15]  1.5718612  1.8808060  2.1741807  2.4489265  2.7019847  2.9302965  3.1308070  3.3012650  3.4412127  3.5504353  3.6287175  3.6758443  3.6916007  3.6757715
 [29]  3.6281419  3.5484965  3.4366696  3.2962919  3.1374297  2.9707731  2.8070118  2.6568359  2.5309351  2.4399993  2.3947185  2.4057824  2.4836878  2.6314157
 [43]  2.8421845  3.1085603  3.4231089  3.7783962  4.1669884  4.5814512  5.0143506  5.4582527  5.9058967  6.3536771  6.8014574  7.2492377  7.6970181  8.1447984
 [57]  8.5925787  9.0403591  9.4881394  9.9359198 10.3837001 10.8314804 11.2792608 11.7270411 12.1748214 12.6226018 13.0703821 13.5181625 13.9659428 14.4137231
 [71] 14.8615035 15.3092838 15.7570641 16.2048445 16.6526248 17.1004052 17.5481855 17.9959658 18.4437462 18.8915265 19.3393068 19.7870872 20.2348675 20.6826479
 [85] 21.1304282 21.5782085 22.0259889 22.4737692 22.9215495 23.3693299 23.8171102 24.2648906 24.7126709 25.1604512 25.6082316 26.0560119 26.5037922 26.9515726
 [99] 27.3993529 27.8471333

> predict(fitCurve,x=pointX)
$x
[1] 3.5

$y
[1] 2.707183

2016年03月29日分 シカゴIMM筋ポジション・ロング・ショート・ネットポジション数の時系列推移

2016年03月第4週 対外及び対内証券売買契約等の状況・株式投資ファンド持分・中長期債・合計のネット額時系列推移

2016年03月22日分 シカゴIMM筋ポジション・ロング・ショート・ネットポジション数の時系列推移

2016年03月第3週 対外及び対内証券売買契約等の状況・株式投資ファンド持分・中長期債・合計のネット額時系列推移

2016年03月15日分 シカゴIMM筋ポジション・ロング・ショート・ネットポジション数の時系列推移

2016年03月第2週 対外及び対内証券売買契約等の状況・株式投資ファンド持分・中長期債・合計のネット額時系列推移