Simulace modelu náhodné procházky s driftem

Náhodná procházka (RW) nemusí oscilovat kolem nuly – může mít vzestupný nebo sestupný trend, tedy drift neboli časový trend. Toho dosáhneme přidáním interceptu do modelu RW, který odpovídá směrnici tohoto trendu.

Alternativně můžeš využít kumulativní součet řady white noise s konstantní nenulovou střední hodnotou – tato střední hodnota pak odpovídá směrnici trendu náhodné procházky.

Pro simulaci dat z modelu RW s driftem opět použij funkci arima.sim() s argumentem model = list(order = c(0, 1, 0)). Tentokrát přidej také argument mean = ..., kterým nastavíš hodnotu driftu, tedy interceptu.

Toto cvičení je součástí kurzu

Analýza časových řad v R

Zobrazit kurz

Pokyny k cvičení

Pomocí arima.sim() vygeneruj další model RW. Nastav argument model na list(order = c(0, 1, 0)), čímž vytvoříš model typu RW, a argument n nastav na 100, aby simulace obsahovala 100 pozorování. Argument mean nastav na 1, čímž přidáš drift. Výsledek ulož do proměnné rw_drift.
Pomocí ts.plot() vykresli data rw_drift.
Pomocí diff() vypočítej první diferenci dat rw_drift. Výsledek ulož jako rw_drift_diff.
Dalším voláním ts.plot() vykresli rw_drift_diff.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Generate a RW model with a drift uing arima.sim
rw_drift <- arima.sim(model = ___, n = ___, mean = ___)

# Plot rw_drift


# Calculate the first difference series
rw_drift_diff <- 

# Plot rw_drift_diff

Upravit a spustit kód