Analiza danych – ceny surowców

Zarabianie na surowcach nie jest łatwe – większość traderów traci pieniądze, a nie zarabia. Pakiet astsa zawiera zbiór danych chicken, który przedstawia miesięczne ceny spot całych kurcząt (w centach USD za funt) na giełdzie w Georgii w latach 2001–2016.

Pakiet astsa jest wstępnie załadowany w twojej konsoli R, a dane zostały już przedstawione na wykresie – zwróć uwagę na trend i składnik sezonowy.

Na początku starannie dopasuj model SARIMA do tego surowca. Później wykorzystasz dopasowany model do prognozowania ceny spot całych kurcząt.

Po usunięciu trendu, próbkowe ACF i PACF sugerują model AR(2): PACF urywa się po opóźnieniu 2, a ACF opada stopniowo. W ACF pozostaje jednak niewielki składnik sezonowy, który można wyeliminować, dodając człon SAR(1).

Jeśli interesuje cię analiza cen innych surowców z różnych regionów, wiele różnych szeregów czasowych znajdziesz na stronie index mundi.

To ćwiczenie jest częścią kursu

Modele ARIMA w R

Instrukcje do ćwiczenia

Przedstaw na wykresie zróżnicowane (d = 1) dane diff(chicken). Zwróć uwagę na usunięcie trendu i na zachowanie sezonowe.
Wykreśl próbkowe ACF i PACF zróżnicowanych danych do opóźnienia 60 (5 lat). Zauważ, że model AR(2) wydaje się odpowiedni, ale w odtrendowanych danych pozostaje niewielki, lecz istotny składnik sezonowy.
Dopasuj model ARIMA(2,1,0) do danych chicken i sprawdź, że w resztach pozostaje korelacja.
Dopasuj model SARIMA(2,1,0)x(1,0,0)₁₂ i zwróć uwagę, że model dobrze dopasowuje się do danych.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Modele ARIMA w R

SkillTag.level.beginnerSkillTag.label

4.9+

Rozpocznij kurs za darmo

Zbadasz naturę danych szeregów czasowych i poznasz podstawy modeli ARMA, które pozwalają opisać zachowanie takich danych. Nauczysz się podstawowych poleceń R potrzebnych do przekształcenia surowych danych szeregów czasowych do postaci gotowej do analizy przy użyciu modeli ARMA.

Exercise 1: Zacznijmy od podstaw Exercise 2: Zabawa z danymi Exercise 3: Elementy szeregu czasowego Exercise 4: Stacjonarność i niestacjonarność Exercise 5: Różnicowanie Exercise 6: Usuwanie trendu z danych Exercise 7: Trend i heteroskedastyczność – jak sobie z nimi radzić Exercise 8: Stacjonarne szeregi czasowe: ARMA Exercise 9: Symulowanie modeli ARMA

Odkryjesz świat modeli ARMA i poznasz metody dopasowywania ich do danych szeregów czasowych. Nauczysz się identyfikować model, wybierać właściwy model oraz weryfikować go po dopasowaniu do danych. Poznasz polecenia R do analizy szeregów czasowych z pakietów stats i astsa.

Exercise 1: Modele AR i MA Exercise 2: Dopasowywanie modelu AR(1)Exercise 3: Dopasowywanie modelu AR(2)Exercise 4: Dopasowywanie modelu MA(1)Exercise 5: AR i MA razem Exercise 6: Dopasowywanie modelu ARMA Exercise 7: Identyfikacja modelu ARMA Exercise 8: Wybór modelu i analiza reszt Exercise 9: Wybór modelu – I Exercise 10: Wybór modelu – II Exercise 11: Analiza reszt – I Exercise 12: Analiza reszt – II Exercise 13: Czas na ARMA

Skoro wiesz już, jak dopasowywać modele ARMA do stacjonarnych szeregów czasowych, teraz poznasz zintegrowane modele ARMA (ARIMA) przeznaczone do niestacjonarnych szeregów czasowych. Dopasujesz te modele do rzeczywistych danych, korzystając z poleceń R z pakietów stats i astsa.

Exercise 1: ARIMA – zintegrowany ARMA Exercise 2: ARIMA – podłącz i uruchom Exercise 3: Symulowane ARIMA Exercise 4: Globalne ocieplenie Exercise 5: Diagnostyka modeli ARIMA Exercise 6: Diagnostyka – symulowane nadmierne dopasowanie Exercise 7: Diagnostyka – temperatury globalne Exercise 8: Prognozowanie ARIMA Exercise 9: Prognozowanie symulowanych danych ARIMA Exercise 10: Prognozowanie globalnych temperatur

Nauczysz się dopasowywać sezonowe modele ARIMA i prognozować sezonowe szeregi czasowe. Wykorzystasz wiedzę zdobytą w poprzednich rozdziałach i rozszerzysz ją o nowe możliwości poleceń R dostępnych w pakietach stats i astsa.

Exercise 1: Czyste modele sezonowe Exercise 2: ACF i PACF czystych modeli sezonowych Exercise 3: Dopasuj czysty model sezonowy Exercise 4: Mieszane modele sezonowe Exercise 5: Dopasuj mieszany model sezonowy Exercise 6: Analiza danych – bezrobocie I Exercise 7: Analiza danych – bezrobocie II Exercise 8: Analiza danych – ceny surowców

Bieżące ćwiczenie

Exercise 9: Analiza danych – współczynnik urodzeń Exercise 10: Prognozowanie sezonowego modelu ARIMA Exercise 11: Prognozowanie miesięcznego bezrobocia Exercise 12: Jak trudno jest prognozować ceny surowców?Exercise 13: Gratulacje!