Прогнозирование временных рядов с ежедневными значениями
Я делаю прогноз с помощью auto.Arima с одномерными данными, но мой прогноз неверен. Я использовал все шаги правильно, но значение прогноза точки не соответствует действительности. Помогите пожалуйста мне.
Вот мои данные:
s <- read.csv(url('https://ondemand.websol.barchart.com/getHistory.csv?apikey=c3122f072488a29c5279680b9a2cf88e&symbol=zs*1&type=dailyNearest&backAdjust=false&startDate=20100201'))
Вот мой код:
data <- s[c(3, 7)]
summary(data)
data1.ts <- zoo(data[,2], seq(from = as.Date("2010-02-01"), to = as.Date("2022-05-13"), by = 1))
autoplot(data1.ts)
Арима Модель:
fit_arima <- auto.arima(data1.ts, stepwise = FALSE, approximation = FALSE, trace = TRUE)
print(summary(fit_arima))
checkresiduals(fit_arima)
forecast_Arima <- forecast(fit_arima, h = 1)
forecast_Arima
Прогнозное значение:
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
19126 976.4357 949.874 1002.997 935.813 1017.058
Небольшое обновление:
Я попытался загрузить данные как объект ts и получил точное значение прогноза Point, но мой год прогноза неверен. Прогнозирование на один шаг вперед дает мне ценность на 2021 год, но моя дата окончания — 13 мая 2022 года. Я просто хочу исправить год. Это новый код:
ts_soy <- ts(data[,2], start = c(2010-02-01), frequency = 214)
autoplot(ts_soy)
fit_arima <- auto.arima(ts_soy)
print(summary(fit_arima))
checkresiduals(fit_arima)
forecast_Arima <- forecast(fit_arima, h = 1)
forecast_Arima
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
2021.472 1646.5 1625.071 1667.929 1613.727 1679.273
Ответы 1
Я могу воспроизвести вашу проблему, и причина в том, что ваш data1.ts содержит слишком много данных. Вы пытаетесь избавиться от выходных, чтобы создать непрерывный таймсерий (он же таймсерий без пробелов). Принцип правильный, но вы превышаете количество имеющихся у вас записей на 1388 записей. Поскольку R имеет тенденцию перерабатывать значения, вы снова получаете цены закрытия из первых лет, и это влияет на функцию arima.
Вы можете сделать что-то вроде создания временного ряда, начиная с самой ранней даты и до этой даты + количество записей - 1
data.ts <- zoo(data[,2], seq(from = as.Date("2010-02-01"),
to = as.Date("2010-02-01") + 3096,
by = 1))
fit_ar <- forecast::auto.arima(data.ts, stepwise = FALSE, approximation = FALSE)
forecast::forecast(fit_ar, h = 1)
Point Forecast Lo 80 Hi 80 Lo 95 Hi 95
17738 1648.129 1626.759 1669.499 1615.446 1680.812
Это одна из причин, по которой я предпочитаю использовать басню: я могу лучше проверять данные.
library(fpp3)
library(fable.prophet)
fit <- data %>%
mutate(id = row_number()) %>% # create index to use otherwise timeseries has gaps
tsibble(index = id) %>%
model(naive = NAIVE(close),
arima = ARIMA(close, stepwise = FALSE, approximation = FALSE),
)
forecast(fit, h = 1)
# A fable: 2 x 4 [1]
# Key: .model [2]
.model id close .mean
<chr> <dbl> <dist> <dbl>
1 naive 3098 N(1646, 280) 1646.
2 arima 3098 N(1649, 278) 1649.
# prophet needs dates and can handle weekends
prophet_fit <- data %>%
mutate(tradingDay = ymd(tradingDay)) %>%
tsibble() %>%
model(prophet_model = prophet(close))
forecast(prophet_fit, h = 1)
# A fable: 1 x 4 [1D]
# Key: .model [1]
.model tradingDay close .mean
<chr> <date> <dist> <dbl>
1 prophet_model 2022-05-14 sample[5000] 1657.
Большое спасибо, это то, что я искал, это идеально, кстати, я отредактировал свой вопрос с новой строкой кодов, которая дала мне точное значение прогноза, но не точный год. Пожалуйста, смотрите небольшую часть обновления. Заранее спасибо.
@M.TalhaBinAsif, ваша частота отключена. Это может работать в течение 1 года, но не весь набор. Вам лучше прогнозировать на основе идентификатора, а затем назначать ему дату, например. совмещая его с календарем.
только еще одна вещь. Как я могу проверить сводку, диагностические меры и остаточный график для модели пророка! @фивер.
@M.TalhaBinAsif, подробности в Прогнозирование: принципы и практика, 3-е издание. например график остатков: augment(prophet_fit) %>% ggplot(aes(x = .fitted, y = .resid)) + geom_point() + labs(x = "Fitted", y = "Residuals")
Спасибо большое, дорогой. Очень ценю это, плюс ссылка была очень полезной. Я собираюсь скачать всю эту книгу и выучить ее до мозга костей :). @фивер
Почему ваш прогноз неверен? Можете ли вы опубликовать ожидаемый результат?