Analyse de données - prix des matières premières

Gagner de l’argent sur les marchés de matières premières n’est pas simple. La plupart des traders en perdent plutôt qu’ils n’en gagnent. Le package astsa inclut le jeu de données chicken, qui correspond au prix au comptant mensuel du poulet entier, Georgia docks, en cents américains par livre, d’août 2001 à juillet 2016.

Le package astsa est préchargé dans votre console R et les données sont tracées pour vous. Observez la tendance et les composantes saisonnières.

Vous allez d’abord utiliser vos compétences pour ajuster avec soin un modèle SARIMA à cette matière première. Ensuite, vous utiliserez le modèle ajusté pour tenter de prévoir le prix au comptant du poulet entier.

Après suppression de la tendance, les ACF et PACF empiriques suggèrent un modèle AR(2) car la PACF s’interrompt après le retard 2 et l’ACF décroît lentement. Cependant, l’ACF montre une petite composante saisonnière résiduelle. On peut la traiter en ajoutant une composante SAR(1).

Au passage, si vous souhaitez analyser d’autres matières premières provenant de diverses régions, vous trouverez de nombreuses séries temporelles sur index mundi.

Cet exercice fait partie du cours

Modèles ARIMA en R

Afficher le cours

Instructions

Tracez la série différenciée (d = 1) diff(chicken). Notez que la tendance est supprimée et observez le comportement saisonnier.
Tracez les ACF et PACF empiriques des données différenciées jusqu’au retard 60 (5 ans). Remarquez qu’un AR(2) semble approprié, mais qu’il subsiste une petite composante saisonnière significative dans les données détrendées.
Ajustez un ARIMA(2,1,0) aux données chicken pour constater qu’il reste de la corrélation dans les résidus.
Ajustez un SARIMA(2,1,0)x(1,0,0)₁₂ et observez que le modèle s’ajuste bien.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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

Modifier et exécuter le code

Cet exercice fait partie du cours

Modèles ARIMA en R

DébutantNiveau de compétence

4.9+

Commencer le cours gratuitement

Vous étudierez la nature des séries temporelles et apprendrez les bases des modèles ARMA qui permettent d’expliquer le comportement de telles données. Vous verrez les commandes R essentielles pour préparer des séries temporelles brutes dans un format analysable avec des modèles ARMA.

Exercise 1: Commençons par les bases Exercise 2: Exploration des données Exercise 3: Éléments d’une série temporelle Exercise 4: Stationnarité et non-stationnarité Exercise 5: Différenciation Exercise 6: Supprimer la tendance des données Exercise 7: Gérer la tendance et l’hétéroscédasticité Exercise 8: Séries temporelles stationnaires : ARMA Exercise 9: Simuler des modèles ARMA

Vous découvrirez l’univers des modèles ARMA et la manière de les ajuster à des séries temporelles. Vous apprendrez à identifier un modèle, à choisir le bon modèle et à le valider une fois ajusté aux données. Vous utiliserez les commandes R pour séries temporelles des packages stats et astsa.

Exercise 1: Modèles AR et MA Exercise 2: Ajuster un modèle AR(1)Exercise 3: Ajuster un modèle AR(2)Exercise 4: Ajuster un modèle MA(1)Exercise 5: Combiner AR et MA Exercise 6: Ajuster un modèle ARMA Exercise 7: Identifier un modèle ARMA Exercise 8: Choix du modèle et analyse des résidus Exercise 9: Choix du modèle - I Exercise 10: Choix de modèle - II Exercise 11: Analyse des résidus - I Exercise 12: Analyse des résidus - II Exercise 13: ARMA, à vous de jouer

Maintenant que vous savez ajuster des modèles ARMA à des séries stationnaires, vous allez découvrir les modèles ARMA intégrés (ARIMA) pour des séries non stationnaires. Vous ajusterez ces modèles à des données réelles en utilisant les commandes pour séries temporelles des packages stats et astsa.

Exercise 1: ARIMA – ARMA intégré Exercise 2: ARIMA - prêt à l’emploi Exercise 3: ARIMA simulé Exercise 4: Réchauffement climatique Exercise 5: Diagnostic ARIMA Exercise 6: Diagnostics - sur-ajustement simulé Exercise 7: Diagnostics - températures globales Exercise 8: Prévisions avec ARIMA Exercise 9: Prévision avec un ARIMA simulé Exercise 10: Prévoir les températures mondiales

Vous apprendrez à ajuster et à prévoir des séries temporelles saisonnières grâce aux modèles ARIMA saisonniers. Cela s’appuie sur ce que vous avez appris dans les chapitres précédents et montre comment étendre les commandes R pour séries temporelles disponibles dans les packages stats et astsa.

Exercise 1: Modèles saisonniers purs Exercise 2: P/ACF des modèles purement saisonniers Exercise 3: Ajuster un modèle purement saisonnier Exercise 4: Modèles saisonniers mixtes Exercise 5: Ajuster un modèle saisonnier mixte Exercise 6: Analyse de données - chômage I Exercise 7: Analyse de données - chômage II Exercise 8: Analyse de données - prix des matières premières

Exercice en cours

Exercise 9: Analyse des données – taux de natalité Exercise 10: Prévision avec des ARIMA saisonniers Exercise 11: Prévision du chômage mensuel Exercise 12: À quel point est-il difficile de prévoir les prix des matières premières ?Exercise 13: Félicitations !