Отчёт 1 (Лабораторная работа №1), страница 4
Описание файла
Файл "Отчёт 1" внутри архива находится в папке "Лабораторная работа №1". Документ из архива "Лабораторная работа №1", который расположен в категории "". Всё это находится в предмете "анализ временных рядов" из 11 семестр (3 семестр магистратуры), которые можно найти в файловом архиве МГТУ им. Н.Э.Баумана. Не смотря на прямую связь этого архива с МГТУ им. Н.Э.Баумана, его также можно найти и в других разделах. Архив можно найти в разделе "лабораторные работы", в предмете "анализ временных рядов" в общих файлах.
Онлайн просмотр документа "Отчёт 1"
Текст 4 страницы из документа "Отчёт 1"
Здесь нас больше всего интересует закладка Review & plot (просмотр и графики). Здесь нас интересуют три кнопки в левой выделенной части.
Верхний уровень – одна линия на одном графике.
Средний уровень – несколько линий на одном графике в одном масштабе.
Нижний уровень – несколько линий на одном графике в двух масштабах по левой и правой шкале.
- чтобы не строить отдельную переменную (временной ряд) после каждого преобразования снимаем галочку.
Нажимаем на кнопку Plot из верхнего уровня и получаем график:
Наша рабочая панель свернулась вниз влево, а в системе появляется новый объект – рабочая книга (рабочая папка), содержащая результаты исследования.
Формат файлов рабочей книги – *.stw
Формат файлов рисунка – *.stg
Рабочая книга состоит из 2-х частей. Часть каталога, обладающая теми же свойствами и событиями что и проводник.
Можно перемещать файлы в рабочей книге, как угодно.
Правая часть нашей книги будет содержать набор страниц.
Гипотезы
Графики необходимы для формирования гипотез относительно моделей поведения данных.
Гипотеза №1 — Поведение тренда НВР (экспертная модель тренда нарисована инструментом poligon).
Гипотеза №2 — Поведение волатильности (линии поддержки и сопротивления).
Линии поддержки – плавная линия, проходящая через значимые локальные минимумы, ниже этой линии рынок может опускаться, но с очень малой вероятностью.
Линии поддержки – плавная линия, проходящая через значимые локальные максимумы, ниже этой линии рынок может подниматься, но с очень малой вероятностью.
Волатильность наших данных возрастает. Разделив примерно 100 на 500 получим риск в 20% в ту и в другую сторону. Что не хорошо и на таком рынке опасно работать.
Гипотеза №3 — Присутствуют ли сезонные компоненты.
Явно присутствуют сезонные компоненты. Оценка характерного период сезонных компонент составляет 12 месяцев. Чтоб подчеркнуть это отредактируем свойства/события объектов. Делаем двойной клик по объекту (в нашем случае координатная ось), чтоб начать редактировать его свойства.
Зададим пределы оси на вкладке кратными 12 (от -12 и до 156).
Далее на вкладке Major Units зададим шаг шкалы равный 12.
То же самое делаем и с верхней горизонтальной осью.
Можно поставить маркеры на график.
Получим красивый график в котором сезонные компоненты четко попадают в свои интервалы:
Все параметры собраны в интегрированной панели свойств и событий всех объектов. Для её вызова делаем двойной клик по пустому полю графика где нет никаких объектов. Нас интересует закладка Fitting (подгонка графика) – библиотека параметрических моделей, например, основных статистик.
Кнопка «Add new fit» добавляет новую модель.
Окно спрашивает нужно ли добавить формулу, в данном случае в подзаголовок (Title). Формула нам нужна, так что нажимаем «OK».
Многие поля в окне стали активны. Из них:
Fit type – тип модели, библиотека параметрических моделей: линейная модель, полиномиальная, экспоненциальная, наименьшие квадраты и взвешенные расстояния Маклейна, ядерная робастная регрессия Lowess.
Выбрав в поле Range значение «Custom Range» мы сможем указать диапазон по которому строить модель.
Кнопочкой Pattern можно задать формат линии.
Поэкспериментируем с конкурирующими моделями.
-
Линейная:
-
Экспоненциальная:
-
Робастная ядерная регрессия Lowess:
В третьей модели есть параметр сглаживания – это тот кусочек данных из общего объёма, по которому строится локально полиномиальная модель тренда (т.е. там строятся локально постоянная, линейная и квадратичная в зависимости от выбора). Stiffness показывает какую долю наших данных мы выбираем (при 0,25 это 1/4). Для окошка в сколько-то отсчётов, сдвигающегося на один шаг времени каждый раз будет строится выбранная модель по заданной схеме формируя значения модели для тренда. Робастная – потому, что помимо окошка, взвешивается ошибка апроксимации (т.е. влияние аномально больших или малых значений будет меньшим).
Получим трёх конкурентов на одном графике, по которому можем сравнить что лучше:
Оставляем хоть не лучшую, но зато достаточно простую экспоненциальную модель, для которой тем более есть формула, в отличие от алгоритмической модели – ядерной робастной регрессии.
Сохраняем нашу модель в таблицу.
Выделяем соответствующую формулу, дважды кликаем на неё. В открывшемся окне выделяем формулу и копируем в буфер обмена.
А вот она и она: 123,1827*exp(0,01*x).
Переходим к нашей таблице. Дважды кликаем по столбику в который хотим сохранить формулу. Открывается окошко в котором в самое нижнее поле вставляем формулу. В формуле присутствует x (ось абсцисс), а переменных таких нету, поэтому заменяем на v1.
Готово. Получили данные, причём с прогнозом на 12 месяцев вперёд:
Эти 12 месяцев прогноза мы маркировали красным выделив их, нажав правую кнопку мыши и выбрав Marking cells -> Mark Selections Cells.
Добавим остаток:
Строим график остатка
Видим, что присутствует остаточный тренд. Нарисуем его полигоном.
Теперь нарисуем его используя Fitting, построив квадратичную полиномиальную модель.
Для сравнения строим кубическую полиномиальную модель:
Второй вариант лучше, поэтому оставляем его.
Сохраняем формулу в таблицу.
Вычисляем тренд.
Затем рассчитываем результирующий остаток.
И того у нас заполнены две новые колонки в таблице.
Строим на одном графике исходные статистики, тренд и результирующий остаток.
Разносим графики. Редактируем их отображение.
Изменив пределы и шаг оси абсцисс и ординат со всех сторон, получим гравик:
Меняем подписи линий графиков и выставляем им статус «свободное размещение».
Конечный результат:
Непараметрическая модель тренда.
Применяем сглаживание (простую скользящую среднюю).
Загрузив ВР и перейдя на уровень, открываем вкладку Smoothing на которой выбираем простую скользящую среднюю.
Флажок prior – выбор схемы сглаживания. Если не стоит флажок, то строится центрированная скользящая средняя. Флажок стоит – схема прогнозирования вперед. Нам его ставить не надо, так как из-за него получится запаздывающая оценка.
Получили график:
Сохраним значения в восьмой столбец таблицы:
Строим график исходной статистики и сглаженной модели:
Построим квадратичную полиномиальную модель.
Получим график:
Сохраняем формулу квадратичной модели в таблицу.
Получаем заполненную таблицу.
Строим итоговый результат нашего исследования и редактируем его отображение.
Выводы
В результате проделанной работы была освоена методология анализа, моделирования и прогнозирования стационарных временных рядов.
Были изучены основные понятия, объектами, свойствами и событиями электронных таблиц программы STSTISTICA. Так же было изучено понятие тренда стационарно-временного ряда.
В рамках практического задания были отработаны навыки работы с программой STSTISTICA и в ней построены параметрические и непараметрические модели трендов НВР.
Список литературы
-
Лабунец Л.В. Конспект лекций по курсу «Анализ временных рядов», 2012.
-
Боровиков В. Искусство анализа данных на компьютере: Для профессионалов. – СПб.: Питер, 2003. – 688 с., ил.
-
Э.Е. Тихонов. Методы прогнозирования в условиях рынка: учебное пособие. – Невинномысск, 2006. – 221 с.