[英]ARMA forecasting, problems with trend elimination
我想對此進行一次粗略的ARMA預測,即獲得更多有關如何使用統計模型庫並了解其工作原理的知識。 因此,首先,我啟動了位於網絡中某個位置的示例,但是ARMA擬合和預測不起作用,因為MLE無法收斂。 我認為系列不是固定的,所以首先,我想消除趨勢,這對我來說是一個挑戰。 這是代碼:
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“冒險”給我:
[[ 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。 我要求有一個ctt趨勢,它是:at ^ 2 + bt + c我為比較計算了Excel中的at ^ 2 + bt + c,at ^ 3 + bt ^ 2 + ct + d,得到了以下結果價值觀。
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
對於拋物線,y = -1.7647x2 + 33.917x + 1017.3,並且:
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
對於三次方程y = 0.292x3-9.649x2 + 92.319x + 917.47。 即使是現在,我仍然不知道如何將這些值插入arma = tsa.ARMA( f ['Close']。values ,order =(2,2))以檢查是否可以執行下一個任務。
總而言之,我的想法是簡要介紹一下ARMA預測如何在python中使用,但是對我而言並非如此。
它本來應該很容易,但是處理解釋變量,exog和趨勢仍然有一些棘手的部分。 ( exog
處理是ARMA的新增功能。)
ARMA使用exog
關鍵字表示平均值預測的其他解釋變量。 該常數通過fit
方法的trend
關鍵字包含,當前不能包含在exog
。 不幸的是,趨勢關鍵字不允許任意定單趨勢。
所以在您的情況下,這樣的事情應該起作用:
arma = tsa.ARMA(f['Close'].values, exog=f[['trend1', 'trend2']] order=(2,2))
您將需要同樣的趨勢exog
對樣品進行預測的predict
。
這里https://gist.github.com/josef-pkt/1ea164439b239b228557是我的秘密要點,我曾經弄清楚了如何在ARMA中使用exog。
當我們對樣本外預測有所了解時,當前的主模型和即將推出的statsmodels 0.7解決了一些計時問題。
通常,可以使用OLS或其他方法對解釋變量上的時間序列進行回歸,然后使用殘差來估計ARMA模型。 這適用於預測,但是ARMA估計的標准誤差和預測標准誤差將是錯誤的,因為它們沒有考慮初始估計(AFAIK)。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.