使用每日值进行时间序列预测

Question

我正在使用 auto.Arima 和单变量数据进行预测，但我的预测不正确。我已正确使用所有步骤，但点预测值并不正确。请帮助我。

这是我的数据：

s <- read.csv(url('https://ondemand.websol.barchart.com/getHistory.csv?apikey=c3122f072488a29c5279680b9a2cf88e&symbol=zs*1&type=dailyNearest&backAdjust=false&startDate=20100201'))

这是我的代码：

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)

华宇模型：

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

预测值：

      Point Forecast   Lo 80    Hi 80   Lo 95    Hi 95
19126       976.4357 949.874 1002.997 935.813 1017.058

小更新：

我尝试将数据加载为 ts 对象并获得了准确的点预测值，但是我的预测年份不正确。超前一步预测为我提供了 2021 年的价值，但我的结束日期是 2022 年 5 月 13 日。我只想更正年份。这是新代码：

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

Answer 1

我可以重现你的问题，原因是你的data1.ts包含了太多的数据。您正试图摆脱周末以创建连续的时间序列（又名没有间隙的时间序列）。原则是正确的，但您超出了 1388 条记录的记录量。由于 R 倾向于回收价值，您会再次获得早年的收盘价，这会影响 arima 函数。

你可以做一些事情，比如从最早的日期开始创建一个时间序列，然后是这个日期 + 记录数 - 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

这也是我比较喜欢用fable的原因之一，可以更好的考察数据。

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.

使用每日值进行时间序列预测

Time series Forecasting with Daily values

r

time-series

forecasting

arima

小更新：