Dataanalys – råvarupriser

Att tjäna pengar på råvaror är inte enkelt. De flesta råvaruhandlare förlorar pengar snarare än tjänar dem. Paketet astsa innehåller datamängden chicken, som visar det månatliga spotpriset för hel kyckling vid Georgia Docks, i amerikanska cent per pund, från augusti 2001 till juli 2016.

Paketet astsa är förinläst i din R-konsol och data är redan plottade – lägg märke till trenden och säsongskomponenterna.

Först använder du dina kunskaper för att noggrant anpassa en SARIMA-modell till råvaran. Senare använder du den anpassade modellen för att försöka prognostisera spotpriset för hel kyckling.

Efter att trenden tagits bort antyder stickprovets ACF och PACF en AR(2)-modell, eftersom PACF skärs av efter lag 2 och ACF avtar gradvis. ACF har dock en liten säsongskomponent kvar. Den kan hanteras genom att lägga till en SAR(1)-komponent.

Om du är intresserad av att analysera andra råvaror från olika regioner hittar du många olika tidsserier på Index Mundi.

Den här övningen är en del av kursen

ARIMA-modeller i R

Övningsinstruktioner

Plotta det differentierade (d = 1) datat diff(chicken). Notera att trenden är borttagen och lägg märke till det säsongsbaserade mönstret.
Plotta stickprovets ACF och PACF för det differentierade datat upp till lag 60 (5 år). Notera att en AR(2)-modell verkar lämplig, men att det finns en liten men signifikant säsongskomponent kvar i det avtrend-justerade datat.
Anpassa en ARIMA(2,1,0) till chicken-data för att se att det finns korrelation kvar i residualerna.
Anpassa en SARIMA(2,1,0)x(1,0,0)₁₂ och notera att modellen passar väl.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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

Redigera och kör kod

Den här övningen är en del av kursen

ARIMA-modeller i R

SkillTag.level.beginnerSkillTag.label

4.9+

Starta kursen gratis

Du undersöker tidsseriedatans egenskaper och lär dig grunderna i ARMA-modeller som kan förklara sådana datas beteende. Du lär dig de grundläggande R-kommandon som behövs för att förbereda råa tidsseriedata i ett format som kan analyseras med ARMA-modeller.

Exercise 1: Först och främst Exercise 2: Utforska data Exercise 3: Tidsseriernas egenskaper Exercise 4: Stationaritet och icke-stationaritet Exercise 5: Differentiering Exercise 6: Avtrenda data Exercise 7: Hantera trend och heteroskedasticitet Exercise 8: Stationära tidsserier: ARMA Exercise 9: Simulera ARMA-modeller

Du utforskar ARMA-modellernas värld och hur du anpassar dem till tidsseriedata. Du lär dig att identifiera en modell, välja rätt modell och verifiera en modell efter att du anpassat den till data. Du lär dig också att använda R:s tidsseriekommandon från paketen stats och astsa.

Exercise 1: AR- och MA-modeller Exercise 2: Anpassa en AR(1)-modell Exercise 3: Anpassa en AR(2)-modell Exercise 4: Anpassa en MA(1)-modell Exercise 5: AR och MA tillsammans Exercise 6: Anpassa en ARMA-modell Exercise 7: Identifiera en ARMA-modell Exercise 8: Modellval och residualanalys Exercise 9: Modellval – I Exercise 10: Modellval – II Exercise 11: Residualanalys – I Exercise 12: Residualanalys – II Exercise 13: ARMA i praktiken

Nu när du vet hur man anpassar ARMA-modeller till stationära tidsserier lär du dig om integrerade ARMA-modeller (ARIMA) för icke-stationära tidsserier. Du anpassar modellerna till verkliga data med hjälp av R:s tidsseriekommandon från paketen stats och astsa.

Exercise 1: ARIMA – integrerad ARMA Exercise 2: ARIMA – plug and play Exercise 3: Simulerad ARIMA Exercise 4: Global uppvärmning Exercise 5: ARIMA-diagnostik Exercise 6: Diagnostik – simulerad överfittning Exercise 7: Diagnostik – globala temperaturer Exercise 8: Prognostisering med ARIMA Exercise 9: Prognostisering med simulerad ARIMA Exercise 10: Prognostisera globala temperaturer

Du lär dig att anpassa och prognostisera säsongsbaserade tidsseriedata med säsongs-ARIMA-modeller. Det görs med hjälp av vad du lärt dig i tidigare kapitel och genom att utöka kunskapen om R:s tidsseriekommandon i paketen stats och astsa.

Exercise 1: Rent säsongsbaserade modeller Exercise 2: P/ACF för rena säsongsmodeller Exercise 3: Anpassa en ren säsongsmodell Exercise 4: Blandade säsongsmässiga modeller Exercise 5: Anpassa en blandad säsongsmodell Exercise 6: Dataanalys – arbetslöshet I Exercise 7: Dataanalys – arbetslöshet II Exercise 8: Dataanalys – råvarupriser

Aktuell övning

Exercise 9: Dataanalys – födelsetal Exercise 10: Prognoser med säsongsbaserad ARIMA Exercise 11: Prognostisera månadsvis arbetslöshet Exercise 12: Hur svårt är det att prognostisera råvarupriser?Exercise 13: Grattis!