Analiză de date – prețuri la mărfuri

A câștiga bani din tranzacționarea mărfurilor nu este deloc ușor. Majoritatea traderi-lor pierd bani în loc să câștige. Pachetul astsa include setul de date chicken, care reprezintă prețul spot lunar al puiului întreg la docurile din Georgia, exprimat în cenți americani pe livră, din august 2001 până în iulie 2016.

Pachetul astsa este preîncărcat în consola R, iar datele sunt deja reprezentate grafic – observă componenta de trend și cea sezonieră.

Vei folosi abilitățile dobândite pentru a ajusta cu atenție un model SARIMA pentru această marfă. Ulterior, vei folosi modelul ajustat pentru a încerca să previzionezi prețul spot al puiului întreg.

După eliminarea trendului, ACF și PACF ale eșantionului sugerează un model AR(2), deoarece PACF se taie după lag-ul 2, iar ACF descrește treptat. Totuși, ACF mai păstrează o mică componentă sezonieră. Aceasta poate fi tratată prin adăugarea unei componente SAR(1).

Dacă ești interesat să analizezi și alte mărfuri din diverse regiuni, poți găsi multe serii de timp diferite la index mundi.

Acest exercițiu face parte din cursul

Modele ARIMA în R

Instrucțiuni pentru exercițiu

Reprezintă grafic datele diferențiate (d = 1): diff(chicken). Observă că trendul a fost eliminat și notează comportamentul sezonal.
Trasează ACF și PACF ale eșantionului pentru datele diferențiate până la lag 60 (5 ani). Observă că un model AR(2) pare potrivit, însă mai există o componentă sezonieră mică, dar semnificativă în datele fără trend.
Ajustează un model ARIMA(2,1,0) pe datele chicken pentru a constata că reziduurile mai conțin corelație.
Ajustează un model SARIMA(2,1,0)x(1,0,0)₁₂ și observă că modelul se potrivește bine.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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

Editează și rulează codul

Acest exercițiu face parte din cursul

Modele ARIMA în R

SkillTag.level.beginnerSkillTag.label

4.9+

Începe cursul gratuit

Vei investiga natura datelor de tip serii de timp și vei învăța elementele de bază ale modelelor ARMA care pot explica comportamentul acestora. Vei învăța comenzile esențiale din R necesare pentru a pregăti datele brute de tip serii de timp într-o formă care poate fi analizată cu modele ARMA.

Exercise 1: Înainte de toate Exercise 2: Explorare date Exercise 3: Elementele unei serii de timp Exercise 4: Staționaritate și nestaționaritate Exercise 5: Diferențierea Exercise 6: Eliminarea trendului din date Exercise 7: Gestionarea trendului și a heteroscedasticității Exercise 8: Serii de timp staționare: ARMA Exercise 9: Simularea modelelor ARMA

Vei descoperi lumea modelelor ARMA și cum să le ajustezi la date de tip serii de timp. Vei învăța cum să identifici un model, cum să alegi modelul potrivit și cum să îl verifici după ajustare. Vei folosi comenzi R pentru serii de timp din pachetele stats și astsa.

Exercise 1: Modele AR și MA Exercise 2: Ajustarea unui model AR(1)Exercise 3: Ajustarea unui model AR(2)Exercise 4: Ajustarea unui model MA(1)Exercise 5: AR și MA împreună Exercise 6: Ajustarea unui model ARMA Exercise 7: Identifică un model ARMA Exercise 8: Alegerea modelului și analiza reziduurilor Exercise 9: Alegerea modelului - I Exercise 10: Alegerea modelului - II Exercise 11: Analiza reziduurilor - I Exercise 12: Analiza reziduurilor - II Exercise 13: ARMA în acțiune

Acum că știi să ajustezi modele ARMA la serii de timp stationare, vei învăța despre modelele ARMA integrate (ARIMA) pentru serii de timp nestationare. Vei ajusta modelele la date reale folosind comenzi R pentru serii de timp din pachetele stats și astsa.

Exercise 1: ARIMA – ARMA integrat Exercise 2: ARIMA - plug and play Exercise 3: ARIMA simulat Exercise 4: Încălzirea globală Exercise 5: Diagnostice ARIMA Exercise 6: Diagnostice – supraajustare simulată Exercise 7: Diagnosticare – temperaturi globale Exercise 8: Prognoză cu ARIMA Exercise 9: Prognozarea unui ARIMA simulat Exercise 10: Prognozarea temperaturilor globale

Vei învăța cum să ajustezi și să previzionezi date de tip serii de timp sezoniere folosind modele ARIMA sezoniere. Acest lucru se realizează pe baza cunoștințelor dobândite în capitolele anterioare și prin extinderea comenzilor R pentru serii de timp disponibile în pachetele stats și astsa.

Exercise 1: Modele pur sezoniere Exercise 2: ACF/PACF pentru modele pur sezoniere Exercise 3: Ajustează un model pur sezonier Exercise 4: Modele sezoniere mixte Exercise 5: Ajustează un model sezonier mixt Exercise 6: Analiza datelor - șomaj I Exercise 7: Analiza datelor - șomaj II Exercise 8: Analiză de date – prețuri la mărfuri

Exercițiul curent

Exercise 9: Analiza datelor - rata natalității Exercise 10: Prognozarea cu modele ARIMA sezoniere Exercise 11: Prognozarea șomajului lunar Exercise 12: Cât de dificilă este prognoza prețurilor la mărfuri?Exercise 13: Felicitări!