[英]ARMA forecasting, problems with trend elimination
我想对此进行一次粗略的ARMA预测,即获得更多有关如何使用统计模型库并了解其工作原理的知识。 因此,首先,我启动了位于网络中某个位置的示例,但是ARMA拟合和预测不起作用,因为MLE无法收敛。 我认为系列不是固定的,所以首先,我想消除趋势,这对我来说是一个挑战。 这是代码:
import pandas.io.data as web
import statsmodels.api as sm
import statsmodels.tsa.api as tsa
import datetime
import statsmodels.formula.api as smf
start = datetime.datetime(2010, 1, 1)
end = datetime.datetime(2010, 1, 27)
f = web.DataReader("F", 'yahoo', start, end)
print f
#+++++++++++++++TREND+++++++++++++++
atrend = tsa.add_trend(f['Close'].values,trend='ctt')
print atrend
#+++++++++++++++fitting ARMA++++++++
arma =tsa.ARMA(f['Close'].values, order =(2,2))
results= arma.fit()
因此,打印“冒险”给我:
[[ 10.28 1. 1. 1. ]
[ 10.96 1. 2. 4. ]
[ 11.37 1. 3. 9. ]
[ 11.66 1. 4. 16. ]
[ 11.69 1. 5. 25. ]
[ 12.11 1. 6. 36. ]
[ 11.87 1. 7. 49. ]
[ 11.68 1. 8. 64. ]
[ 11.76 1. 9. 81. ]
[ 11.6 1. 10. 100. ]
[ 11.75 1. 11. 121. ]
[ 11.51 1. 12. 144. ]
[ 11.18 1. 13. 169. ]
[ 10.52 1. 14. 196. ]
[ 11.03 1. 15. 225. ]
[ 11.19 1. 16. 256. ]
[ 11.55 1. 17. 289. ]]
我不完全了解。 我要求有一个ctt趋势,它是:at ^ 2 + bt + c我为比较计算了Excel中的at ^ 2 + bt + c,at ^ 3 + bt ^ 2 + ct + d,得到了以下结果价值观。
10,494523
10,780752
11,031687
11,247328
11,427675
11,572728
11,682487
11,756952
11,796123
11,8
11,768583
11,701872
11,599867
11,462568
11,289975
11,082088
10,838907
对于抛物线,y = -1.7647x2 + 33.917x + 1017.3,并且:
10,00432
10,65848
11,1547
11,5105
11,7434
11,87092
11,91058
11,8799
11,7964
11,6776
11,54102
11,40418
11,2846
11,1998
11,1673
11,20462
11,32928
对于三次方程y = 0.292x3-9.649x2 + 92.319x + 917.47。 即使是现在,我仍然不知道如何将这些值插入arma = tsa.ARMA( f ['Close']。values ,order =(2,2))以检查是否可以执行下一个任务。
总而言之,我的想法是简要介绍一下ARMA预测如何在python中使用,但是对我而言并非如此。
它本来应该很容易,但是处理解释变量,exog和趋势仍然有一些棘手的部分。 ( exog
处理是ARMA的新增功能。)
ARMA使用exog
关键字表示平均值预测的其他解释变量。 该常数通过fit
方法的trend
关键字包含,当前不能包含在exog
。 不幸的是,趋势关键字不允许任意定单趋势。
所以在您的情况下,这样的事情应该起作用:
arma = tsa.ARMA(f['Close'].values, exog=f[['trend1', 'trend2']] order=(2,2))
您将需要同样的趋势exog
对样品进行预测的predict
。
这里https://gist.github.com/josef-pkt/1ea164439b239b228557是我的秘密要点,我曾经弄清楚了如何在ARMA中使用exog。
当我们对样本外预测有所了解时,当前的主模型和即将推出的statsmodels 0.7解决了一些计时问题。
通常,可以使用OLS或其他方法对解释变量上的时间序列进行回归,然后使用残差来估计ARMA模型。 这适用于预测,但是ARMA估计的标准误差和预测标准误差将是错误的,因为它们没有考虑初始估计(AFAIK)。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.