Exemplo de série de tempo Os exemplos a seguir ilustram como o XLMiner pode ser usado para explorar os dados para descobrir tendências e efeitos sazonais. Na faixa XLMiner, na guia Aplicar seu modelo, selecione Ajuda - Exemplos. Então ForecastingData Mining Examples e abra o conjunto de dados de exemplo, Income. xlsx. Este conjunto de dados contém a renda média dos contribuintes por estado. Normalmente, as seguintes etapas são realizadas em uma análise de séries temporais. 1. Os dados são divididos em dois conjuntos com 60 dos dados atribuídos ao Conjunto de Treinamento e 40 atribuídos ao Conjunto de Validação. 2. As técnicas exploratórias são aplicadas tanto aos Conjuntos de Treinamento quanto de Validação. Se os resultados estiverem sincronizados, o modelo pode ser ajustado. Se os gráficos ACF e PACF forem iguais, então o mesmo modelo pode ser usado para ambos os conjuntos. 3. O modelo é adequado usando o método ARIMA (Automatismo Integrado de Motivo Integrado). 4. Quando um modelo é adequado usando o método ARIMA, XLMiner exibe as parcelas ACF e PACF para resíduos. Se essas parcelas estiverem na banda de UCL e LCL, os resíduos são aleatórios e o modelo é adequado. 5. Se os resíduos não estiverem dentro das bandas, então existem algumas correlações, e o modelo deve ser melhorado. Primeiro, execute uma partição nos dados. Selecione uma célula dentro do conjunto de dados e, em seguida, no ribboon XLMiner, na guia Time Series, selecione Partition para abrir a caixa de diálogo Time Series Partition Data. Sob a lista Variáveis, selecione Ano e clique em gt para mover para a Variável de Tempo. Selecione as variáveis restantes na lista Variáveis e clique em gt para incluí-las nas Variáveis na lista de Dados da Partição. Em Especificar Opções de Particionamento, selecione Especificar Registros para especificar o número de registros atribuídos aos Conjuntos de Treinamento e Validação. Em Especificar registros para particionamento, selecione Especificar registros e, em seguida, digite 50 para o número de registros de Treinamento e 21 para o número de registros de validação. Se Specify percentages for selecionado em Specify Partitioning Options, o XLMiner atribui uma porcentagem de registros a cada conjunto de acordo com os valores inseridos pelo usuário ou inserido automaticamente pelo XLMiner em Especificar porcentagens para particionamento. Clique em OK. A planilha do DataPartitionTS está inserida à direita da planilha da Renda. Na saída acima, o método de particionamento é seqüencial (versus aleatório). As primeiras 50 observações foram atribuídas ao Conjunto de Treinamento e as 21 observações restantes foram atribuídas ao Conjunto de Validação. Selecione uma célula na planilha DataPartitionTS, depois na faixa XLMiner, na guia Time Series, selecione ARIMA - Autocorrelations para exibir a caixa de diálogo ACF. Selecione CA como a variável Selecionada, insira 10 para ambos os Parâmetros do ACF para Dados de Treinamento e Dados de Validação. O gráfico ACF Plot é selecionado por padrão. Clique em OK. A folha de cálculo ACFOutput é inserida após a planilha DataPartitionTS. Observe em cada gráfico que a autocorrelação diminua à medida que o número de atrasos aumenta. Isso sugere que existe um padrão definido em cada partição. No entanto, como o padrão não se repete, pode-se presumir que nenhuma sazonalidade está incluída nos dados. Além disso, uma vez que ambos os gráficos exibem um padrão semelhante, podemos ajustar o mesmo modelo tanto aos Conjuntos de Validação quanto ao Treinamento. Clique de volta para a planilha DataPartitionTS e na faixa XLMiner, na guia Time Series, selecione ARIMA - Autocorrelations parciais para abrir a caixa de diálogo PACF. Selecione CA a partir da lista de Variáveis em Dados de Entrada, e clique em gt para mover a variável para a variável Selecionada. Insira 40 para Laguna Máxima em Parâmetros PACF para Dados de Treinamento e 15 para Parâmetros PACF para Dados de Validação. Plot PACF chart é selecionado por padrão. Clique em OK. A folha de cálculo ACFOutput é inserida diretamente à direita da planilha DataPartitionTS. Ambos os lotes de PACF mostram padrões similares nos Conjuntos de Validação e Treinamento. Como resultado, podemos usar o mesmo modelo para ambos os conjuntos. Saída PACF para dados de treinamento Saída PACF para dados de validação A função PACF mostra um padrão definido, o que significa que há uma tendência nos dados. No entanto, uma vez que o padrão não se repete, podemos concluir que os dados não mostram qualquer sazonalidade. Ambos os gráficos ACF e PACF sugerem que existe um padrão definido, mas sem qualquer sazonalidade. Ambos os conjuntos de dados exibem o mesmo comportamento nos Conjuntos de Treinamento e Validação, o que sugere que o mesmo modelo é apropriado para cada um. Agora estamos prontos para ajustar o modelo. O modelo ARIMA aceita três parâmetros: p - o número de termos autorregressivos d - o número de diferença não sazonal e q - o número de erros atrasados (médias móveis). Lembre-se de que o gráfico da ACF não mostrou sazonalidade nos dados, o que significa que a autocorrelação é quase estática, diminuindo com o número de atrasos aumentando. Isso sugere configuração q 0, pois parece não haver erros atrasados. O argumento PACF exibiu um grande valor para o primeiro atraso, mas parcelas mínimas para atrasos sucessivos. Isso sugere configuração p 1. Com a maioria dos conjuntos de dados, a configuração d 1 é suficiente ou pode ser pelo menos um ponto de partida. Clique de volta para a planilha DataPartitionTS e na faixa XLMiner, na guia Time Series, selecione o modelo ARIMA - ARIMA para exibir a caixa de diálogo Time Series - ARIMA. Selecione CA a partir da lista de Variáveis de dados de entrada e, em seguida, clique em gt para mover a variável para o campo Variável selecionado. Em Parâmetros não sazonais, ajuste Autoregressivo (p) para 1, Diferença (d) para 1 e Média Mover (q) para 0. Clique em Avançado para abrir a caixa de diálogo ARIMA - Opções Avançadas. Selecione Valores ajustados e resíduos, Produza previsões e Relatórios de intervalos de confiança de previsão. A configuração padrão de Confiança de 95 é inserida automaticamente. A matriz de variância-covariância é selecionada por padrão. Clique em OK na caixa de diálogo Opções Avançadas do ARIMA e novamente na caixa de diálogo Time Series - ARIMA. O XLMiner calcula e exibe vários parâmetros e gráficos em duas folhas de saída, ARIMAOutput e ARIMAResiduais. A folha de trabalho ARIMAOutput contém o modelo ARIMA, mostrado abaixo. Nesta mesma planilha, o XLMiner calculou o termo constante eo termo AR1 para o nosso modelo. Estes são os termos constantes e f1 da equação de previsão. Veja a seguinte saída do teste Qui-quadrado. O pequeno valor de p para o termo constante (0.9704) eo termo AR1 (0) sugerem que o modelo é um bom ajuste para nossos dados. Abra a planilha ARIMARsualidades. Esta tabela traça os valores reais e ajustados e os resíduos resultantes. Conforme mostrado no gráfico abaixo, os valores reais e previstos correspondem bastante bem. A utilidade do modelo na previsão dependerá de quão perto os valores reais e previstos estejam no gráfico de tempo do conjunto de validação. Em seguida, veremos as parcelas ACF e PACF para Erros encontrados na parte inferior da planilha ARIMAOutput. Todos os atrasos, exceto o atraso 1, estão claramente dentro das bandas UCL e LCL. Isso indica que os resíduos são aleatórios e não estão correlacionados, qual é a primeira indicação de que os parâmetros do modelo são adequados para esses dados. Consulte a tabela de previsão na planilha ARIMAOutput. A tabela mostra o valor real e previsto. Os valores inferior e superior representam os limites inferior e superior do intervalo de confiança. Há 95 chances de que o valor previsto caia nessa faixa. O gráfico de tempo para a direita indica como o modelo, que montamos usando o Conjunto de Treinamento e realizado no Conjunto de Validação. Os valores reais e previstos são bastante próximos, o que confirma que nosso modelo deve ser bom para a previsão. Para traçar os valores abaixo da coluna inferior e superior no mesmo gráfico, selecione o gráfico e, na faixa de Excel, selecione Design - Selecione dados para abrir a caixa de diálogo Selecionar fonte de dados. Para o intervalo de dados do gráfico, digite ARIMAOutputB56: G77. Depois desmarque o erro em Legend Entries. Clique em OK. Este gráfico mostra que os valores reais e previstos estão dentro das bandas do nível de confiança inferior e superior 95. Embora os valores reais flutuem um pouco, esses valores estão dentro do centro do intervalo. Podemos concluir a partir da saída ARIMA, que o nosso modelo usando parâmetros (1, 1, 0) mostrou adequar-se adequadamente à data. Documentação A ConvergênciaDivergência Média Mover (MACD) é uma função de oscilador usada pelos analistas técnicos para detectar condições de sobrecompra e sobrevenda . Use os dados do preço de estoque da IBMregados contidos no arquivo fornecido ibm9599.dat. Primeiro, crie um objeto de série de tempo financeiro a partir dos dados usando ascii2fts. Observe a parte da série temporal que cobre o período de 3 meses entre 1º de outubro de 1995 e 31 de dezembro de 1995. Ao mesmo tempo, preencha os valores faltantes devido aos feriados dentro do período especificado: Calcule o MACD, que quando plotado produz Duas linhas a primeira linha é a linha MACD e a segunda é a linha média móvel de nove períodos: quando você chama macd sem dar-lhe um segundo argumento de entrada para especificar um nome específico da série de dados, ele busca uma série de preços de fechamento chamada Close (Em todas as combinações de casos de letras). Trace as linhas MACD e o gráfico High-Low dos preços das ações da IBM em duas parcelas separadas em uma janela. Williams R Williams R é um indicador que mede os níveis de sobrecompra e sobrevenda. A função willpctr é da categoria estocástica. Todas as funções de análise técnica podem aceitar um nome diferente para uma série de dados exigida. Se, por exemplo, uma função precisa das séries de preços altas, baixas e de fechamento, mas seu objeto de séries temporais não possui a série de dados exatamente como Alta. Baixo. E Fechar. Você pode especificar os nomes corretos da seguinte maneira: A função willpctr agora assume que sua série de preços elevados é chamada Hi. A série de preços baixos é chamada Lo. E a série de preços de fechamento é denominada encerramento. Use os dados do preço de estoque da IBMregados contidos no arquivo fornecido ibm9599.dat. Primeiro, crie um objeto de série de tempo financeiro a partir dos dados usando ascii2fts. Observe a parte da série temporal que cobre o período de 3 meses entre 1º de outubro de 1995 e 31 de dezembro de 1995. Ao mesmo tempo, preencha os valores faltantes devido aos feriados dentro do período especificado: Dado que a partição do objeto da série temporal tem sua Nomes de séries de dados idênticos aos nomes necessários, não são necessários ajustes de nome. O argumento de entrada para a função é apenas o nome do próprio objeto da série temporal. Calcule e traça o indicador Williams R para o estoque da IBM, juntamente com a faixa de preço usando estes comandos: o gráfico superior tem a linha Williams R mais duas linhas a -20 e -80. O gráfico inferior é o gráfico High-Low do preço das ações da IBM para o período de tempo correspondente. Volume no balanço (OBV) relaciona o volume com a mudança de preço. A função onbalvol requer que você tenha a série de preços de fechamento (Fechar) e as séries de volume negociado (Volume). Primeiro, crie um objeto de série de tempo financeiro a partir dos dados usando ascii2fts. Observe a parte da série temporal que cobre o período de 3 meses entre 1º de outubro de 1995 e 31 de dezembro de 1995. Ao mesmo tempo, preencha todos os valores faltantes devido aos feriados dentro do período de tempo especificado: Calcular e traçar o OBV para estoque da IBMreg Juntamente com a faixa de preço usando estes comandos: Exemplos relacionados Este tópico foi útil Comando MATLAB Você clicou em um link que corresponde a este comando MATLAB: Execute o comando digitando-o na Janela de Comando do MATLAB. Os navegadores da Web não suportam comandos MATLAB. Selecione seu país Escolha o seu país para obter conteúdo traduzido onde disponível e veja eventos e ofertas locais. Com base na sua localização, recomendamos que você selecione:. Você também pode selecionar um local da seguinte lista:
Comments
Post a Comment