Datenanalyse – Rohstoffpreise

Mit Rohstoffen Geld zu verdienen, ist nicht einfach. Die meisten Rohstoffhändler machen eher Verluste als Gewinne. Das Paket astsa enthält den Datensatz chicken, das ist der monatliche Spotpreis für ganze Hähnchen, Georgia Docks, in US-Cent pro Pfund, von August 2001 bis Juli 2016.

Das Paket astsa ist in deiner R-Konsole vorab geladen und die Daten sind für dich geplottet. Achte auf Trend- und Saisonal-Komponenten.

Zuerst wirst du ein SARIMA-Modell sorgfältig auf die Rohstoffzeitreihe anpassen. Danach nutzt du das angepasste Modell, um den Spotpreis für ganze Hähnchen vorherzusagen.

Nach Entfernung des Trends deuten die Stichproben-ACF und -PACF auf ein AR(2)-Modell hin, weil die PACF nach Lag 2 abfällt und die ACF langsam ausläuft. Allerdings bleibt in der ACF eine kleine saisonale Komponente übrig. Diese kannst du durch das Hinzufügen einer SAR(1)-Komponente berücksichtigen.

Übrigens: Wenn du andere Rohstoffe aus verschiedenen Regionen analysieren möchtest, findest du viele Zeitreihen bei index mundi.

Diese Übung ist Teil des Kurses

ARIMA-Modelle in R

Anleitung zur Übung

Plotte die differenzierten (d = 1) Daten diff(chicken). Beachte, dass der Trend entfernt ist, und achte auf das saisonale Verhalten.
Plotte die Stichproben-ACF und -PACF der differenzierten Daten bis Lag 60 (5 Jahre). Dabei fällt auf: Ein AR(2) scheint passend, aber in den detrendeten Daten bleibt eine kleine, aber signifikante saisonale Komponente.
Fitte ein ARIMA(2,1,0) auf die chicken-Daten und überprüfe, dass in den Residuen noch Korrelation vorhanden ist.
Fitte ein SARIMA(2,1,0)x(1,0,0)₁₂ und beobachte, dass das Modell gut passt.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Plot differenced chicken


# Plot P/ACF pair of differenced data to lag 60


# Fit ARIMA(2,1,0) to chicken - not so good


# Fit SARIMA(2,1,0,1,0,0,12) to chicken - that works

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

Aktuelle Übung

Exercise 9: Datenanalyse – Geburtenrate Exercise 10: Saisonale ARIMA vorhersagen Exercise 11: Monatliche Arbeitslosigkeit vorhersagen Exercise 12: Wie schwer ist es, Rohstoffpreise zu prognostizieren?Exercise 13: Glückwunsch!