Moving Media Matplotlib

Zipline è una libreria di trading algoritmico Pythonic. Si tratta di un sistema di event-driven che supporta sia backtesting e live-trading. Zipline è attualmente utilizzato in produzione come il backtesting e motore di live-commercio alimentare Quantopian 8211 un libero, centrata sulla comunità, ha ospitato la piattaforma per la creazione e l'esecuzione di strategie di trading. Facilità d'uso: Zipline cerca di ottenere dal tuo modo di modo che è possibile concentrarsi su sviluppo di algoritmi. Vedi sotto per un esempio di codice. Zipline viene 8220batteries included8221 come molte statistiche comuni come movimento di regressione lineare media e può essere facilmente accessibile dall'interno di un algoritmo scritta dall'utente. Input di dati e produzione di statistiche sulle prestazioni storiche si basano su Pandas DataFrames di integrarsi bene nel esistente ecosistema PyData. Statistica e di apprendimento automatico librerie come matplotlib, SciPy, statsmodels, e sostenere lo sviluppo sklearn, analisi e la visualizzazione di state-of-the-art sistemi di trading. Installazione Installazione con pip Supponendo di aver tutti i dati obbligatori (vedi nota sotto) non Python dipendenze, è possibile installare Zipline con pip via: Nota: L'installazione Zipline via pip è leggermente più complessa di quanto il pacchetto media Python. Semplicemente eseguendo pip installare zipline probabilmente fallirà se you8217ve mai installato tutti i pacchetti Python scientifici prima. Ci sono due ragioni per la complessità aggiuntiva: navi Zipline diverse estensioni C che richiedono l'accesso alle API CPython C. Per costruire le estensioni C, pip ha bisogno di accedere ai file di intestazione CPython per l'installazione di Python. Zipline dipende NumPy. la libreria di base per il calcolo numerico array in Python. NumPy dipende avere le routine di algebra lineare LAPACK disponibili. Perché LAPACK e le intestazioni CPython sono dipendenze binarie, il modo corretto per installarli varia da una piattaforma all'altra. Su Linux, gli utenti in genere acquisiscono queste dipendenze attraverso un gestore di pacchetti come apt. yum. o pacman. Su OSX, Homebrew è una scelta popolare che fornisce funzionalità simili. Vedere la piena Zipline installare la documentazione per ulteriori informazioni sull'acquisizione di dipendenze binarie per la piattaforma specifica. Un altro modo per installare Zipline è tramite il gestore di pacchetti Conda, che si presenta come parte di Anaconda o può essere installato tramite PIP installare Conda. Una volta configurato, è possibile installare Zipline dal nostro canale Quantopian: piattaforme attualmente supportate comprendono: strumenti Quickstart ContributionsComputational Analogamente, dataframe ha un metodo per calcolare COV covarianze a coppie tra la serie nella dataframe, escludendo anche i valori NAnull. Supponendo che i dati mancanti sono mancanti in modo casuale questo si traduce in una stima per la matrice di covarianza che è imparziale. Tuttavia, per molte applicazioni questa stima non può essere accettabile, perché la matrice di covarianza stimato non è garantito per essere positivo semi-definita. Ciò potrebbe portare a correlazioni stimate aventi valori assoluti che sono maggiori di uno, Andor una matrice di covarianza non invertibile. Vedere stima di matrici di covarianza per maggiori dettagli. DataFrame. cov supporta anche una parola minperiods opzionali che specifica il numero minimo richiesto di osservazioni per ciascuna coppia di colonne per avere un risultato valido. I pesi utilizzati nella finestra sono specificati dalla parola chiave wintype. L'elenco dei tipi riconosciuti sono: Boxcar triang blackman hamming Bartlett parzen Bohman blackmanharris Nuttall barthann kaiser (ha bisogno di beta) gaussiana (ha bisogno di std) generalgaussian (ha bisogno di potenza, larghezza) Slepian (larghezza esigenze). Notare che la finestra vagone equivale a dire (). Per alcune funzioni a finestre, devono essere specificati ulteriori parametri: Per. sum () con un wintype. non c'è normalizzazione fatto per i pesi per la finestra. Passando pesi personalizzati di 1, 1, 1 darà un risultato diverso da quello che passa pesi di 2, 2, 2. per esempio. Quando si passa un wintype invece di specificare esplicitamente i pesi, i pesi sono già normalizzati in modo che il peso più grande è 1. Al contrario, la natura del calcolo. mean () è tale che i pesi sono normalizzati rispetto all'altro. Pesi di 1, 1, 1 e 2, 2, 2 producono lo stesso risultato. Time-consapevoli di rotolamento Nuovo nella versione 0.19.0. Nuovo nella versione 0.19.0 sono la capacità di passare un offset (o convertibili) a un metodo. rolling () e farla produrre finestre di dimensione variabile in base alla finestra temporale passato. Per ogni punto di tempo, questo include tutti i valori precedenti che si verificano all'interno del delta time indicato. Questo può essere particolarmente utile per un indice di frequenza tempo non regolare. Questo è un indice di frequenza regolare. Utilizzando un parametro window intero funziona a rotolare lungo la frequenza finestra. Specifica di un offset permette una specificazione più intuitiva della frequenza di laminazione. Utilizzando un indice non regolare, ma ancora monotona, a rotazione con una finestra intero non impartisce alcun calcolo speciale. Usando il tempo-specifica genera finestre variabili per questo dati sparsi. Inoltre, ora permettiamo un optional sul parametro per specificare una colonna (piuttosto che il default dell'indice) in una dataframe. Time-consapevoli di rotolamento contro ricampionamento Utilizzando. rolling () con un indice basato sul tempo è molto simile a ricampionamento. Entrambi operano ed eseguire operazioni riduttive su oggetti panda tempo indicizzato. Quando si utilizza. rolling () con un offset. L'offset è un tempo-delta. Prendere una finestra all'indietro in time guardare, e aggregare tutti i valori in quella finestra (incluso il punto finale, ma non lo start-punto). Questo è il nuovo valore in quel punto nel risultato. Questi sono finestre variabili dimensioni in spazio-tempo per ciascun punto di ingresso. Si otterrà un risultato stesso di dimensioni come ingresso. Quando si utilizza. resample () con un offset. Costruire un nuovo indice che è la frequenza di offset. Per ciascun bin di frequenza, punti aggregati dall'ingresso all'interno di una finestra all'indietro in time guardando che rientrano in tale bin. Il risultato di questa aggregazione è l'uscita per tale punto di frequenza. Le finestre sono fissati dimensione nello spazio di frequenza. Il risultato avrà la forma di una frequenza regolare tra il minimo ed il massimo dell'oggetto input originale. Riassumere. rotolamento () è un'operazione finestra temporale basata, mentre. resample () è un'operazione finestra di frequenze basata. Centraggio Windows di default le etichette sono impostate per il bordo destro della finestra, ma una parola chiave centro è disponibile in modo che le etichette possono essere impostati al centro. Funzioni Finestra Binary COV () e corr () in grado di calcolare lo spostamento statistiche delle finestre su due serie o qualsiasi combinazione di DataFrameSeries o DataFrameDataFrame. Qui è il comportamento in ogni caso: due serie. calcolare la statistica per l'abbinamento. DataFrameSeries. calcolare le statistiche per ogni colonna del dataframe con la Serie passato, restituendo così una dataframe. DataFrameDataFrame. Per impostazione predefinita, calcolare la statistica per la corrispondenza nomi delle colonne, restituendo un dataframe. Se viene passato l'argomento pairwiseTrue parola chiave quindi calcola la statistica per ogni coppia di colonne, restituendo un pannello i cui elementi sono le date in questione (vedere la sezione successiva). Calcolo rotolamento covarianze a coppie e le correlazioni in analisi dei dati finanziari e di altri settori it8217s comune per calcolare covarianza e correlazione matrici per una collezione di serie storiche. Spesso si è anche interessato a trasferirsi finestra covarianza e correlazione matrici. Questo può essere fatto passando l'argomento chiave a coppie, che nel caso di ingressi dataframe produrrà un pannello i cui elementi sono le date in questione. Nel caso di un singolo argomento dataframe l'argomento a coppie può anche essere omesso: i valori mancanti vengono ignorati ed ogni voce è calcolata utilizzando le osservazioni complete a coppie. Si prega di consultare la sezione di covarianza per avvertimenti associati a questo metodo di calcolo covarianza e correlazione matrici. Oltre a non avere un parametro window, queste funzioni hanno le stesse interfacce come le loro controparti. rolling. Come in precedenza, i parametri sono tutti accettano sono: minperiods. soglia di punti dati non nulli da richiedere. Il valore predefinito è minimo necessario per il calcolo statistico. No NaN verrà emesso una volta minperiods punti dati non nulli sono stati visti. centro. booleano, se impostare le etichette al centro (di default è False) L'uscita del. rolling e metodi. expanding non restituiscono un NaN se ci sono almeno minperiods valori non nulli nella finestra corrente. Questo differisce da cumSum. cumprod. cummax. e cumino. che restituiscono NaN nell'output laddove viene rilevato un NaN nell'input. Una espansione finestra statistica sarà più stabile (e meno reattivo) rispetto al suo omologo finestra di laminazione come la dimensione della finestra aumentando diminuisce l'impatto relativo di un singolo punto di dati. A titolo di esempio, qui è l'uscita media () per il precedente set di dati di serie storiche: ponderata esponenzialmente di Windows Un insieme correlato di funzioni sono esponenzialmente versioni di alcune delle statistiche di cui sopra ponderato. Una interfaccia simile a. rolling e. expanding si accede attraverso il metodo. ewm per ricevere un oggetto EWM. Un certo numero di EW espansione (esponenzialmente ponderato) vengono forniti metodi: Come creare un modello ARIMA per le serie temporali di previsione con Python un metodo statistico popolare e ampiamente utilizzati per la previsione di serie storiche è il modello ARIMA. ARIMA è un acronimo che sta per Autoregressive Integrated media mobile. Si tratta di una classe di modello che cattura una serie di differenti strutture temporali standard, in dati di serie temporali. In questo tutorial, vi farà scoprire come sviluppare un modello ARIMA per i dati di serie temporali con Python. Dopo aver completato questa esercitazione, saprai: A proposito del modello ARIMA i parametri utilizzati e le assunzioni fatte dal modello. Come adattare un modello ARIMA ai dati e usarlo per fare previsioni. Come configurare il modello ARIMA sul problema delle serie storiche. Let8217s iniziare. Autoregressive Integrated Moving modello Modello media Un ARIMA è una classe di modelli statistici per i dati di serie temporali di analisi e di previsione. Si rivolge esplicitamente a una serie di strutture standard nei dati di serie temporali, e come tale fornisce un metodo semplice ma potente per fare previsioni di serie storiche abile. ARIMA è un acronimo che sta per Autoregressive Integrated media mobile. È una generalizzazione della Autoregressive semplice media mobile e aggiunge la nozione di integrazione. Questa sigla è descrittivo, catturando gli aspetti chiave del modello stesso. In breve, essi sono: AR. Autoregressione. Un modello che utilizza la relazione di dipendenza tra una osservazione e un numero di osservazioni ritardati. IO . Integrato. L'uso di differenziazione delle osservazioni grezze (ad esempio sottraendo un'osservazione da un'osservazione al passo temporale precedente) al fine di rendere fermo serie temporale. MA. Media mobile. Un modello che utilizza la dipendenza tra un'osservazione e un errore residuo da un modello di media mobile applicata alle osservazioni ritardati. Ciascuno di questi componenti sono esplicitamente indicate nel modello come parametro. Una notazione standard è utilizzato di ARIMA (p, d, q) dove i parametri vengono sostituiti con valori interi per indicare rapidamente il modello ARIMA specifica in uso. I parametri del modello ARIMA sono definiti come segue: p. Il numero di osservazioni lag incluse nel modello, chiamato anche l'ordine di ritardo. d. Il numero di volte che le osservazioni grezze sono differenziata, chiamato anche il grado di differenziazione. q. La dimensione della finestra di media mobile, chiamato anche l'ordine di media mobile. Un modello di regressione lineare è costruito compreso il numero specificato e il tipo di termini, ed elabora i dati da un grado di differenziazione per renderlo stazionario, cioè per rimuovere strutture di tendenza e stagionali che influenzano negativamente il modello di regressione. Il valore 0 può essere utilizzato per un parametro, che indica non utilizzare tale elemento del modello. In questo modo, il modello ARIMA può essere configurato per eseguire la funzione di un modello ARMA, e anche un semplice AR, I, o modello MA. L'adozione di un modello ARIMA per una serie temporale presuppone che il processo sottostante che ha generato le osservazioni è un processo ARIMA. Questo può sembrare ovvio, ma aiuta a motivare la necessità di confermare le ipotesi del modello nelle osservazioni prime e negli errori residui delle previsioni dal modello. Avanti, let8217s dare un'occhiata a come possiamo utilizzare il modello ARIMA in Python. Inizieremo con il caricamento di una semplice serie storica univariata. Smettere di imparare Serie Tempo Previsione il modo lento Sign-up e ottenere un libero di 7 giorni Time Series Forecasting Mini-Corso Otterrete:. una lezione ogni giorno consegnato alla tua casella di posta. esclusivo ebook PDF contenente tutte le lezioni. la fiducia e la capacità di lavorare attraverso i propri progetti Shampoo vendite Dataset Questo set di dati descrive il numero mensile delle vendite di shampoo nel corso di un periodo di 3 anni. Le unità sono un conteggio di vendita e ci sono 36 osservazioni. Il set di dati originale è attribuita a Makridakis, Wheelwright, e Hyndman (1998). Scarica il set di dati e posizionarlo nella directory di lavoro corrente con il nome 8220 shampoo-sales. csv 8220. Di seguito è riportato un esempio di caricamento del set di dati di vendita Shampoo con Panda con una funzione personalizzata per analizzare il campo data-ora. Il set di dati è baselined in un anno arbitrario, in questo caso 1900. In primo luogo, si ottiene una trama linea degli errori residui, suggerendo che ci possono essere ancora un po 'di informazioni tendenza non rilevati dal modello. ARMA Fit residua Errore trama successiva, si ottiene una trama densità dei valori di errore residuo, suggerendo gli errori sono gaussiana, ma non può essere centrato sullo zero. ARMA Fit densità errore residuo trama è visualizzata la distribuzione degli errori residui. I risultati mostrano che in effetti vi è una polarizzazione nella previsione (un non-zero significa nei residui). Si noti che, anche se al di sopra abbiamo usato l'intero set di dati per l'analisi di serie temporali, idealmente avremmo eseguire questa analisi su un solo set di dati di formazione nello sviluppo di un modello predittivo. Avanti, let8217s guardano come possiamo utilizzare il modello ARIMA fare previsioni. modello di Rolling Forecast ARIMA del modello L'ARIMA può essere utilizzato per prevedere le future fasi temporali. Siamo in grado di utilizzare la funzione di prevedere () sui ARIMAResults oggetto per fare previsioni. Accetta l'indice dei passaggi di tempo per fare previsioni come argomenti. Questi indici sono relativi all'inizio del set di dati di addestramento impiegato per fare previsioni. Se abbiamo utilizzato 100 osservazioni nel dataset di formazione per adattare il modello, poi l'indice del passo temporale successivo per fare una previsione verrebbe specificato alla funzione di previsione come start101, end101. Ciò restituisce un array con un elemento che contiene la previsione. Abbiamo inoltre preferiamo i valori previsti per essere in scala originale, nel caso in cui abbiamo effettuato alcuna differenziazione (dgt0 quando si configura il modello). Questo può essere specificato impostando l'argomento tip al valore 8216levels8217. typ8217levels8217. In alternativa, possiamo evitare tutte queste specifiche utilizzando la funzione del tempo (), che esegue una previsione di uno stadio utilizzando il modello. Siamo in grado di dividere il set di dati di formazione in trenini e di prova, utilizzare il treno impostato per adattarsi al modello, e generare una previsione per ogni elemento sul set di prova. Una previsione di laminazione si riveli necessaria data la dipendenza da osservazioni in tempo passi precedenti per la differenziazione e il modello AR. Un modo rozzo per eseguire questa previsione di laminazione è quello di ricreare il modello ARIMA dopo ogni nuova osservazione è ricevuto. Teniamo manualmente traccia di tutte le osservazioni in un elenco denominato storia che è seminato con i dati di formazione e al quale nuove osservazioni vengono aggiunti ogni iterazione. Mettendo insieme tutto questo, qui di seguito è un esempio di una previsione di laminazione con il modello ARIMA in Python. Una trama linea è creato mostrando i valori attesi (blu) rispetto alle previsioni di previsione rotolamento (rosso). Possiamo vedere i valori mostrano un po 'di tendenza e sono nella scala corretta. ARIMA di Rolling Forecast trama Il modello potrebbe utilizzare un'ulteriore messa a punto del p, d, e forse anche i parametri Q. Configurazione di un modello ARIMA L'approccio classico per il montaggio di un modello ARIMA è quello di seguire il Box-Jenkins Metodologia. Questo è un processo che utilizza l'analisi di serie temporali e diagnostica per scoprire buoni parametri del modello ARIMA. In sintesi, le fasi di questo processo sono i seguenti: Identificazione del modello. Utilizzare trame e statistiche riassuntive per identificare tendenze, stagionalità, ed elementi autoregressivi per avere un'idea della quantità di differenziazione e la dimensione del ritardo che sarà richiesto. Stima dei parametri. Utilizzare una procedura di raccordo per trovare i coefficienti del modello di regressione. Model checking. Utilizzare trame e test statistici degli errori residui per determinare la quantità e il tipo di struttura temporale non rilevati dal modello. Il processo viene ripetuto fino a quando si ottiene sia un livello desiderabile di adattamento alle in-campione o out-of-campione di osservazioni (ad esempio addestramento o test set di dati). Il processo è stato descritto nel classico 1970 libro di testo sul tema dal titolo Analisi delle Serie: Previsione e controllo da George Box e Gwilym Jenkins. Un 5 ° edizione aggiornata è ora disponibile, se siete interessati ad andare più a fondo in questo tipo di modello e la metodologia. Dato che il modello può essere in forma in modo efficiente su modeste dimensioni set di dati di serie temporali, griglia a cercare parametri del modello può essere un valido approccio. In questo tutorial, avete scoperto come sviluppare un modello ARIMA per la previsione di serie temporali in Python. In particolare, si è appreso: A proposito del modello ARIMA, come può essere configurato, e le ipotesi fatte dal modello. Come eseguire una rapida analisi di serie temporali utilizzando il modello ARIMA. Come utilizzare un modello ARIMA per la previsione di previsioni del campione. Avete delle domande su ARIMA, o su questo tutorial porre le vostre domande nei commenti qui sotto e io farò del mio meglio per rispondere. Vuole sviluppare previsioni di serie storica con Python sviluppare il proprio Previsioni in pochi minuti con poche righe di codice Python Copre esercitazioni di auto-apprendimento e progetti end-to-end su temi come: Caricamento dati. visualizzazione. modellazione. messa a punto l'algoritmo. e altro ancora. Infine Portare Time Series Forecasting per i propri progetti saltare la Accademici. Solo risultati. Kevin 17 gennaio 2017 alle 12:58 mi dà un sacco di errori: errore traceback (chiamata più recente scorso): File 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 2276, nel convertitore dateparser (datecols), errors8217ignore8217) file 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 6, in datetime. strptime ritorno parser (82161908217x, 8216Y-m8217) TypeError: strptime () argomento 1 deve essere str, non numpy. ndarray Durante la gestione della deroga di cui sopra, un'altra eccezione si è verificata: Traceback (chiamata più recente scorso): file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 2285, nel convertitore dayfirstdayfirst), file 8220pandassrcinference. pyx8221, la linea 841, in pandas. lib. tryparsedates (pandaslib. c: 57884) file 8220pandassrcinference. pyx8221, la linea 838, in pandas. lib. tryparsedates (pandaslib. c: 57802) file 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 6, in parser datetime. strptime ritorno (82161908217x, 8216Y-m8217) file 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 510, in strptimedatetime TT, (datastring, formato frazione strptime ) file 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 343, in strptime (datastring, formato)) ValueError: dati in tempo 8216190Sales di shampoo più di un period8217 tre anni non corrisponde formato 8216Y-m8217 Durante la manipolazione della deroga di cui sopra, si è verificata un'altra eccezione: Traceback (chiamata più recente scorso): file 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 8, in serie readcsv (8216shampoo-sales. csv8217, header0, parsedates0, indexcol0, squeezeTrue, dateparserparser) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 562, in cambio parserf leggere (filepathorbuffer, kwds) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 325, in parser. read ritorno read () file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 815, in lettura ret self. engine. read (nrows) File 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 1387, dell'indice di lettura, i nomi self. makeindex (dati, ALLDATA, nomi) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 1030, dell'indice di makeindex self. aggindex (indice) file 8220Userskevinoostanacondalibpython3. 5site-packagespandasioparsers. py8221, la linea 1111, in aggindex arr self. dateconv (arr) file 8220Userskevinoostanacondalibpython3.5site-packagespandasioparsers. py8221, la linea 2288, in genericparser convertitore cambio (dateparser, datecols) file 8220Userskevinoostanacondalibpython3.5site-packagespandasiodateconverters. py8221, linea 38 , in genericparser resultsi variabile parseFunc (args) File 8220UserskevinoostPycharmProjectsARIMAmain. py8221, linea 6, in parser datetime. strptime ritorno (82161908217x, 8216Y-m8217) File 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 510, in strptimedatetime TT, frazione strptime (datastring, formato) file 8220Userskevinoostanacondalibpython3.5strptime. py8221, la linea 343, in strptime (datastring, formato)) ValueError: dati in tempo 8216190Sales di shampoo più di un period8217 tre anni non corrisponde formato processo 8216Y-m8217 terminato con codice di uscita 1 Aiuto sarebbe molto apprezzato. Sembra che ci potrebbe essere un problema con il file di dati. Aprire il CSV in un editor di testo e confermare la riga di intestazione sembra ragionevole. conferma inoltre che non si hanno dati aggiuntivi alla fine del file. A volte i file DataMarket scaricare i dati piè di pagina che si desidera eliminare. NGUYEN Quang Anh 19 gennaio 2017 alle 18:28 Let dire che ho un insieme di dati di serie temporali con molti attributi. Per esempio una fila avrà (velocità, carburante, tirepressure), come potremmo fatto un modello di questo. il valore di ogni colonna può influenzare l'un l'altro, quindi non possiamo fare previsioni sul solo 1 colonna. I google molto, ma tutti l'esempio I8217ve trovato così lavorare ad ora solo su serie temporali di 1 attributo. Questo si chiama previsione delle serie temporali multivariate. Modelli lineari come ARIMA non sono stati progettati per questo tipo di problema. in generale, è possibile utilizzare la rappresentazione ritardo a base di ogni caratteristica e quindi applicare un algoritmo di apprendimento macchina standard. Spero di avere alcuni tutorial su questo presto. Muyi Ibidun 7 febbraio 2017 alle 9:36 am Il tuo problema si inserisce quali modelli VAR (autoregressione vettoriale) è stato progettato per. Vedere i seguenti link per ulteriori informazioni. Spero che questo aiuta il vostro lavoro. Kelvid 20 gennaio 2017 alle 11:55 am Ciao, ti avrebbe un esempio per il posto stagionale ARIMA Ho installato ultimo modulo statsmodels, ma c'è un errore di importazione del SARIMAX. Non aiuterà se si riesce a capirlo. Grazie. Sebastian 31 gennaio 2017 alle 03:33 Grande postale Jason Ho un paio di domande: 8211 Giusto per essere sicuri. modelfit. forecast () è solo passo avanti previsioni e modelfit. predict () è per passo più avanti prevede 8211 sto lavorando con una serie che sembra, almeno molto simile alla serie shampoo (mediante ispezione). Quando uso prevedere sui dati di allenamento, ottengo questo zig-zag nella previsione pure. Ma per i dati di test, la previsione è molto più liscia e sembra saturare a un certo livello. Ti aspetta questo caso contrario, cosa potrebbe essere sbagliato Sì, previsione () è per le previsioni di un passo. È possibile effettuare una previsione pari passo con predicono () anche, ma è più lavoro. Non mi aspetto che la previsione di là a pochi passi il tempo di essere molto precisi, se questa è la domanda Sebastian 3 febbraio 2017 alle 9:25 am Grazie per la risposta Per quanto riguarda la seconda domanda. Sì, hai ragione la previsione non è molto accurato. Ma inoltre, la serie temporale previsto ha un contenuto di frequenza completamente diverso. Come ho detto, è liscia e non zig-zaggy i dati originali. È normale o sto facendo qualcosa di sbagliato. Ho provato anche la previsione passo multipla (modelfit. predict ()) sui dati di allenamento e quindi le previsioni sembrano avere più o meno lo stesso contenuto di frequenza (più zig-zaggy) in quanto i dati che sto cercando di prevedere. Ciao Sebastian, vedo. Nel caso di prevedere sulla dati di addestramento, il modello ha accesso alle osservazioni reali. Ad esempio, se si prevedere i prossimi 5 OB da qualche parte nel set di dati di formazione, userà oss (T4) per prevedere t5, piuttosto che la previsione (T4). Nel caso di prevedere oltre la fine dei dati del modello, non deve OB di fare previsioni (a meno che non li forniscono), ha solo l'accesso alle previsioni formulate per il tempo passi precedenti. Il risultato è il composto errori e le cose vanno fuori dai binari veloci (previsione piatta). Questo fa sensehelp James Zhang 10 Febbraio, 2017 alle 19:42 vi ringrazio molto per il posto, molto buono scritto, ho una domanda: così ho usato il tuo approccio per costruire il modello, ma quando provo a prevedere i dati che sono fuori dal campione, ho commentato la testt OB e cambiare history. append (oBS) per history. append (yhat), e ho ottenuto un prediction8230 piana in modo quello che potrebbe essere il motivo e come fare concretamente l'out-of previsioni campione sulla base del modello montato sul treno insieme di dati Grazie mille Ogni loop nella previsione di laminazione mostra come fare un one-step di previsione campione. Addestrare il vostro ARIMA su tutti i dati disponibili e chiamare previsione (). Se si desidera eseguire una previsione multi-step, infatti, è necessario trattare le previsioni precedenti come 8220observations8221 e li usa per le previsioni successive. È possibile farlo utilizzando automaticamente la funzione di prevedere (). A seconda del problema, questo approccio non è spesso abile (ad esempio una previsione piatta). James 16 febbraio 2017 alle 02:03