Analisi dei dati - prezzi delle materie prime

Guadagnare con le materie prime non è facile. La maggior parte dei trader di commodity perde denaro invece di guadagnarne. Il pacchetto astsa include l'insieme di dati chicken, che riporta il prezzo spot mensile del pollo intero, Georgia docks, centesimi di dollaro USA per libbra, da agosto 2001 a luglio 2016.

Il pacchetto astsa è precaricato nella tua console R e i dati sono già tracciati per te: osserva il trend e le componenti stagionali.

Per prima cosa userai le tue competenze per adattare con attenzione un modello SARIMA alla materia prima. Poi, userai il modello stimato per provare a prevedere il prezzo spot del pollo intero.

Dopo aver rimosso il trend, l'ACF e la PACF campionarie suggeriscono un modello AR(2) perché la PACF si tronca dopo il ritardo 2 e l'ACF decresce lentamente. Tuttavia, nell'ACF rimane una piccola componente stagionale. Questo si può gestire aggiungendo una componente SAR(1).

A proposito, se ti interessa analizzare altre materie prime di varie regioni, puoi trovare molte serie temporali su index mundi.

Questo esercizio fa parte del corso

Modelli ARIMA in R

Visualizza il corso

Istruzioni dell'esercizio

Traccia i dati differenziati (d = 1) con diff(chicken). Nota che il trend è rimosso e osserva il comportamento stagionale.
Traccia l'ACF e la PACF campionarie dei dati differenziati fino al lag 60 (5 anni). Nota che un AR(2) sembra appropriato, ma rimane una piccola componente stagionale, comunque significativa, nei dati detrendizzati.
Adatta un ARIMA(2,1,0) ai dati chicken per verificare che resti correlazione nei residui.
Adatta un SARIMA(2,1,0)x(1,0,0)₁₂ e nota che il modello si adatta bene.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# 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

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Modelli ARIMA in R

InicianteNível de habilidade

4.9+

Inizia il corso gratis

You will investigate the nature of time series data and learn the basics of ARMA models that can explain the behavior of such data. You will learn the basic R commands needed to help set up raw time series data to a form that can be analyzed using ARMA models.

Exercise 1: First things first Exercise 2: Data play Exercise 3: Elements of time series Exercise 4: Stationarity and nonstationarity Exercise 5: Differencing Exercise 6: Detrending data Exercise 7: Dealing with trend and heteroscedasticity Exercise 8: Stationary time series: ARMA Exercise 9: Simulating ARMA models

You will discover the wonderful world of ARMA models and how to fit these models to time series data. You will learn how to identify a model, how to choose the correct model, and how to verify a model once you fit it to data. You will learn how to use R time series commands from the stats and astsa packages.

Exercise 1: AR and MA models Exercise 2: Fitting an AR(1) model Exercise 3: Fitting an AR(2) model Exercise 4: Fitting an MA(1) model Exercise 5: AR and MA together Exercise 6: Fitting an ARMA model Exercise 7: Identify an ARMA model Exercise 8: Model choice and residual analysis Exercise 9: Model choice - I Exercise 10: Model choice - II Exercise 11: Residual analysis - I Exercise 12: Residual analysis - II Exercise 13: ARMA get in

Now that you know how to fit ARMA models to stationary time series, you will learn about integrated ARMA (ARIMA) models for nonstationary time series. You will fit the models to real data using R time series commands from the stats and astsa packages.

Exercise 1: ARIMA - integrated ARMA Exercise 2: ARIMA - plug and play Exercise 3: Simulated ARIMA Exercise 4: Global warming Exercise 5: ARIMA diagnostics Exercise 6: Diagnostics - simulated overfitting Exercise 7: Diagnostics - global temperatures Exercise 8: Forecasting ARIMA Exercise 9: Forecasting simulated ARIMA Exercise 10: Forecasting global temperatures

You will learn how to fit and forecast seasonal time series data using seasonal ARIMA models. This is accomplished using what you learned in the previous chapters and by learning how to extend the R time series commands available in the stats and astsa packages.

Exercise 1: Modelli stagionali puri Exercise 2: P/ACF dei modelli stagionali puri Exercise 3: Adatta un modello puramente stagionale Exercise 4: Modelli stagionali misti Exercise 5: Adatta un modello stagionale misto Exercise 6: Analisi dei dati - disoccupazione I Exercise 7: Analisi dei dati - disoccupazione II Exercise 8: Analisi dei dati - prezzi delle materie prime

Esercizio in corso

Exercise 9: Analisi dei dati - tasso di natalità Exercise 10: Previsioni con ARIMA stagionale Exercise 11: Previsioni della disoccupazione mensile Exercise 12: Quanto è difficile prevedere i prezzi delle materie prime?Exercise 13: Congratulazioni!