Análise de dados - preços de commodities

Ganhar dinheiro com commodities não é fácil. A maioria dos traders de commodities perde dinheiro em vez de ganhar. O pacote astsa inclui o conjunto de dados chicken, que traz o preço à vista mensal de frango inteiro, no porto da Georgia (EUA), em centavos de dólar por libra, de agosto de 2001 a julho de 2016.

O pacote astsa já está carregado no seu console R e os dados foram plotados para você. Observe a tendência e os componentes sazonais.

Primeiro, você vai usar suas habilidades para ajustar cuidadosamente um modelo SARIMA para essa commodity. Depois, vai usar o modelo ajustado para tentar prever o preço à vista do frango inteiro.

Após remover a tendência, as funções ACF e PACF amostrais sugerem um modelo AR(2), pois a PACF se corta após a defasagem 2 e a ACF decai gradualmente. No entanto, a ACF ainda apresenta um pequeno componente sazonal. Isso pode ser resolvido ajustando um componente adicional SAR(1).

Aliás, se você tiver interesse em analisar outras commodities de várias regiões, há muitas séries temporais disponíveis no index mundi.

Este exercício faz parte do curso

Modelos ARIMA em R

Instruções do exercício

Plote os dados diferenciados (d = 1) com diff(chicken). Observe que a tendência é removida e note o comportamento sazonal.
Plote a ACF e a PACF amostrais dos dados diferenciados até a defasagem 60 (5 anos). Perceba que um AR(2) parece adequado, mas ainda há um componente sazonal pequeno, porém significativo, nos dados sem tendência.
Ajuste um ARIMA(2,1,0) aos dados chicken para verificar que ainda há correlação nos resíduos.
Ajuste um SARIMA(2,1,0)x(1,0,0)₁₂ e observe que o modelo apresenta bom ajuste.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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

Editar e executar o código

Este exercício faz parte do curso

Modelos ARIMA em R

InicianteNível de habilidade

4.9+

Iniciar curso de graça

Você vai investigar a natureza dos dados de séries temporais e aprender o básico sobre modelos ARMA que explicam o comportamento desses dados. Você aprenderá os comandos fundamentais do R para preparar dados brutos de séries temporais no formato que pode ser analisado com modelos ARMA.

Exercise 1: Primeiro o básico Exercise 2: Brincando com os dados Exercise 3: Elementos de séries temporais Exercise 4: Estacionariedade e não estacionariedade Exercise 5: Diferenças (Differencing)Exercise 6: Removendo tendências dos dados Exercise 7: Lidando com tendência e heterocedasticidade Exercise 8: Séries temporais estacionárias: ARMA Exercise 9: Simulando modelos ARMA

Você vai descobrir o mundo dos modelos ARMA e como ajustá-los a séries temporais. Vai aprender a identificar um modelo, escolher o modelo correto e verificar um modelo depois de ajustá-lo aos dados. Você também vai aprender a usar os comandos de séries temporais do R dos pacotes stats e astsa.

Exercise 1: Modelos AR e MA Exercise 2: Ajustando um modelo AR(1)Exercise 3: Ajustando um modelo AR(2)Exercise 4: Ajustando um modelo MA(1)Exercise 5: AR e MA juntos Exercise 6: Ajustando um modelo ARMA Exercise 7: Identificar um modelo ARMA Exercise 8: Escolha de modelo e análise de resíduos Exercise 9: Escolha do modelo - I Exercise 10: Escolha de modelo - II Exercise 11: Análise de resíduos - I Exercise 12: Análise de resíduos - II Exercise 13: Entrando no ARMA

Agora que você sabe ajustar modelos ARMA a séries temporais estacionárias, vai aprender sobre modelos ARMA integrados (ARIMA) para séries não estacionárias. Você ajustará os modelos a dados reais usando os comandos de séries temporais do R nos pacotes stats e astsa.

Exercise 1: ARIMA - ARMA integrado Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulado Exercise 4: Aquecimento global Exercise 5: Diagnósticos de ARIMA Exercise 6: Diagnóstico - sobreajuste simulado Exercise 7: Diagnóstico - temperaturas globais Exercise 8: Previsão com ARIMA Exercise 9: Previsão com ARIMA simulado Exercise 10: Prevendo temperaturas globais

Você vai aprender a ajustar e prever séries temporais sazonais usando modelos ARIMA sazonais. Isso é feito aplicando o que você aprendeu nos capítulos anteriores e estendendo os comandos de séries temporais do R disponíveis nos pacotes stats e astsa.

Exercise 1: Modelos puramente sazonais Exercise 2: P/ACF de modelos sazonais puros Exercise 3: Ajuste um modelo puramente sazonal Exercise 4: Modelos sazonais mistos Exercise 5: Ajuste um modelo sazonal misto Exercise 6: Análise de dados - desemprego I Exercise 7: Análise de dados - desemprego II Exercise 8: Análise de dados - preços de commodities

Exercício atual

Exercise 9: Análise de dados - taxa de natalidade Exercise 10: Previsão com ARIMA sazonal Exercise 11: Forecasting mensal do desemprego Exercise 12: Quão difícil é prever preços de commodities?Exercise 13: Parabéns!