在窗口函数中使用频率参数答案

【问题标题】：Use of frequency argument in window function在窗口函数中使用频率参数
【发布时间】：2016-12-19 21:24:02
【问题描述】：

假设我有以下循环计算滚动预测并使用 ARMA 模型重新拟合模型。

    library(forecast)
    set.seed(1)
    prices=rnorm(1963)
    USDlogreturns=diff(log(prices))
    h <- 1
    train <- window(USDlogreturns, end=1162, frequency=1)
    test <- window(USDlogreturns, start=1163, frequency=1)
    n <- length(test) - h + 1
    fc1 <- ts(numeric(n), start=1163+1, freq=1)
    fc2 <- ts(numeric(n), start=1163+1, freq=1)
    fc3 <- ts(numeric(n), start=1163+1, freq=1)
    fc4 <- ts(numeric(n), start=1163+1, freq=1)
    fit1 <- Arima(train, order=c(0,0,0), include.mean=TRUE, method="ML")
    fit2 <- Arima(train, order=c(0,0,1), include.mean=TRUE, method="ML")
    fit3 <- Arima(train, order=c(1,0,0), include.mean=TRUE, method="ML")
    fit4 <- Arima(train, order=c(1,0,1), include.mean=TRUE, method="ML")
    for(i in 1:n){  
      x <- window(USDlogreturns, end=1162 + i, frequency=100)
      refit1 <- Arima(x, model=fit1, include.mean=TRUE, method="ML")
      refit2 <- Arima(x, model=fit2, include.mean=TRUE, method="ML")
      refit3 <- Arima(x, model=fit3, include.mean=TRUE, method="ML")
      refit4 <- Arima(x, model=fit4, include.mean=TRUE, method="ML")
      fc1[i] <- forecast(refit1, h=h)$mean[h]
      fc2[i] <- forecast(refit2, h=h)$mean[h]
      fc3[i] <- forecast(refit3, h=h)$mean[h]
      fc4[i] <- forecast(refit4, h=h)$mean[h]
    }

当我在 R 中运行它时，我收到了 50 条警告消息：

"在window.default(USDlogreturns, end = 1162 + i, frequency = 100):'频率'没有改变"

所以我的问题是我很难理解如何告诉 R 通过窗口函数每 100 天改装我的四个 ARMA 模型，共 8 次。

对新手有什么建议吗？

【问题讨论】：

在对window 的调用中，你想用frequency 做什么？看起来您正在尝试控制窗口的宽度，但 frequency 并未用于此目的。用于指定时间序列的周期性，frequency = 1表示年度数据。
是的，我的问题是想要生成提前 1 天的预测，每 100 天进行一次模型调整，但不知道如何通过命令窗口来判断。
我想你会想在对lapply或sapply的调用中编写一个函数，并使用样本断点向量（例如seq(0, 800, 100)）作为X in那个电话。尝试为该过程的第一次和第二次迭代编写代码，然后将您为第二次更改的位转换为函数中的变量。

标签： r forecasting

【解决方案1】：

我设法自己解决了我的问题。顺便说一下，“pos”命令的使用提供了一个更加灵活和优雅的解决方案。

length_training <- 1162
    start <- length_training + 1
    end <- length(USDlogreturns) 
    forecast_length <- 1
    for(pos in start:end) {
      fit000 <- Arima(USDlogreturns[(pos-length_training):(pos-1)], order=c(0,0,0), include.mean=TRUE, method="ML")
      fc000 <- forecast(fit000, h=forecast_length)$mean[forecast_length]
      fit001 <- Arima(USDlogreturns[(pos-length_training):(pos-1)], order=c(0,0,1), include.mean=TRUE, method="ML")
      fc001 <- forecast(fit001, h=forecast_length)$mean[forecast_length]
      fit100 <- Arima(USDlogreturns[(pos-length_training):(pos-1)], order=c(1,0,0), include.mean=TRUE, method="ML")
      fc100 <- forecast(fit100, h=forecast_length)$mean[forecast_length]
      fit101 <- Arima(USDlogreturns[(pos-length_training):(pos-1)], order=c(1,0,1), include.mean=TRUE, method="ML")
      fc101 <- forecast(fit101, h=forecast_length)$mean[forecast_length]
    }

【讨论】：