Wie schwer ist es, Rohstoffpreise zu prognostizieren?

Wie bereits erwähnt, ist es nicht leicht, mit Rohstoffen Geld zu verdienen. Um eine Schwierigkeit bei der Vorhersage eines Rohstoffs zu sehen, wirst du den Preis für Hähnchen fünf Jahre in die Zukunft prognostizieren. Wenn du deine Prognosen erstellt hast, wirst du feststellen, dass schon nach wenigen Jahren die akzeptable Preisspanne sehr groß ist. Das liegt daran, dass Rohstoffe vielen Einflussfaktoren und Schwankungen unterliegen.

Erinnere dich: Du hast zuvor ein SARIMA(2,1,0, 1,0,0)₁₂-Modell auf die monatliche US-Hähnchenpreis-Zeitreihe chicken gefittet. Dieses Modell wirst du zur Berechnung deiner Prognosen verwenden.

Das Paket astsa ist für dich vorab geladen, und die monatlichen Daten zum Hähnchenpreis (chicken) sind geplottet.

Diese Übung ist Teil des Kurses

ARIMA-Modelle in R

Anleitung zur Übung

Fitte das SARIMA-Modell aus der vorherigen Übung erneut und vergewissere dich, dass es gut passt. Prüfe die Signifikanz der Parameter und die Residualdiagnostik.
Verwende sarima.for(), um die Daten 5 Jahre in die Zukunft zu prognostizieren.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Fit the chicken model again and check diagnostics


# Forecast the chicken data 5 years into the future

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

ARIMA-Modelle in R

Geringe SchwierigkeitSchwierigkeitsgrad

4.9+

Kurs kostenlos starten

Du untersuchst die Eigenschaften von Zeitreihendaten und lernst die Grundlagen von ARMA-Modellen kennen, die das Verhalten solcher Daten erklären. Außerdem lernst du die grundlegenden R-Befehle, um rohe Zeitreihendaten so aufzubereiten, dass sie mit ARMA-Modellen analysiert werden können.

Exercise 1: Erstmal das Wichtigste Exercise 2: Daten erkunden Exercise 3: Bestandteile von Zeitreihen Exercise 4: Stationarität und Nichtstationarität Exercise 5: Differenzbildung Exercise 6: Daten detrenden Exercise 7: Umgang mit Trend und Heteroskedastizität Exercise 8: Stationäre Zeitreihen: ARMA Exercise 9: ARMA-Modelle simulieren

Du entdeckst die Welt der ARMA-Modelle und wie du diese auf Zeitreihen anpasst. Du lernst, wie du ein Modell identifizierst, das richtige Modell auswählst und es nach der Anpassung prüfst. Außerdem verwendest du R-Befehle für Zeitreihen aus den Paketen stats und astsa.

Exercise 1: AR- und MA-Modelle Exercise 2: Ein AR(1)-Modell anpassen Exercise 3: Ein AR(2)-Modell anpassen Exercise 4: Ein MA(1)-Modell anpassen Exercise 5: AR und MA zusammen Exercise 6: Ein ARMA-Modell anpassen Exercise 7: Ein ARMA-Modell identifizieren Exercise 8: Modellwahl und Residuenanalyse Exercise 9: Modellwahl – I Exercise 10: Modellauswahl – II Exercise 11: Residuenanalyse – I Exercise 12: Residualanalyse – II Exercise 13: ARMA rein da

Nachdem du weißt, wie man ARMA-Modelle auf stationäre Zeitreihen anpasst, lernst du integrierte ARMA- (ARIMA-) Modelle für nichtstationäre Zeitreihen kennen. Du passt die Modelle auf reale Daten an – mit R-Zeitreihenbefehlen aus den Paketen stats und astsa.

Exercise 1: ARIMA – integriertes ARMA Exercise 2: ARIMA – Plug-and-Play Exercise 3: Simuliertes ARIMA Exercise 4: Globale Erwärmung Exercise 5: ARIMA-Diagnostik Exercise 6: Diagnostik – simuliertes Overfitting Exercise 7: Diagnostik – globale Temperaturen Exercise 8: ARIMA-Vorhersage Exercise 9: Prognosen mit simuliertem ARIMA Exercise 10: Prognose globaler Temperaturen

Du lernst, saisonale Zeitreihen mit saisonalen ARIMA-Modellen zu modellieren und zu prognostizieren. Das gelingt mit dem Wissen aus den vorherigen Kapiteln und durch die Erweiterung der R-Zeitreihenbefehle aus den Paketen stats und astsa.

Exercise 1: Reine saisonale Modelle Exercise 2: P/ACF reiner saisonaler Modelle Exercise 3: Ein reines saisonales Modell anpassen Exercise 4: Gemischte saisonale Modelle Exercise 5: Gemischtes saisonales Modell anpassen Exercise 6: Datenanalyse – Arbeitslosigkeit I Exercise 7: Datenanalyse – Arbeitslosigkeit II Exercise 8: Datenanalyse – Rohstoffpreise Exercise 9: Datenanalyse – Geburtenrate Exercise 10: Saisonale ARIMA vorhersagen Exercise 11: Monatliche Arbeitslosigkeit vorhersagen Exercise 12: Wie schwer ist es, Rohstoffpreise zu prognostizieren?

Aktuelle Übung

Exercise 13: Glückwunsch!