stationär und heterogen

"Trading.Day","Closing.Price"

1,1

2,1

3,1

4,1

5,1

6,1

7,1

8,1

9,1

10,1

11,1

12,1

13,1

14,1

# Bibliotheken laden

library(forecast)

library(dplyr)

library(lubridate)

# Datenimport

EUA_data <- read.csv("/Users/benwais/Library/CloudStorage/OneDrive-Persönlich/Uni/AIDAHO Thinkering Club/carbonclaus/01_data/ets_EUA_time_series_secondary_market.csv", stringsAsFactors = FALSE, skip=1)

# Daten bereinigen

EUA_data <- EUA_data %>%

  mutate(Price = as.numeric(Price),

         Date = as.Date(Date)) %>%

  filter(!is.na(Price))

# Zeitreihe erstellen

EUA_ts <- ts(EUA_data$Price, frequency = 252) # 252 Handelstage im Jahr

# autokorrelationsfunktion (acf)

acf(EUA_ts)

# pacf

pacf(EUA_ts)

#######################

library(tseries)

adf.test(EUA_ts)

# -> sieht gar nicht gut aus - nicht stationär :(

EUA_ts_diff <- diff(EUA_ts)

plot(EUA_ts_diff, main = "Differenzierte Zeitreihe")

# -> heterokedastie

acf(EUA_ts_diff, main = "ACF der differenzierten Zeitreihe")

pacf(EUA_ts_diff, main = "PACF der differenzierten Zeitreihe")

# -> neuer Versuch

adf.test(EUA_ts_diff)

# -> sieht mega aus!

# log transformation, weil heterokedastie

EUA_ts_log <- log(EUA_ts)

EUA_ts_log_diff <- diff(EUA_ts_log)

plot(EUA_ts_log_diff, main = "Differenzierte logarithmierte Zeitreihe")

# -> nochmals chechen: 

adf.test(EUA_ts_log_diff)

acf(EUA_ts_log_diff, main = "ACF der differenzierten logarithmierten Zeitreihe")

pacf(EUA_ts_log_diff, main = "PACF der differenzierten logarithmierten Zeitreihe")

######################TRAINING#################

fit_nonseason <- auto.arima(EUA_ts_log_diff, seasonal = FALSE)

summary(fit_nonseason)

checkresiduals(fit_nonseason)

####### und noch nach Saisionalität checken?

decomposed <- stl(EUA_ts_log_diff, s.window = "periodic")

plot(decomposed)

#-> saisonality ist da

fit <- auto.arima(EUA_ts_log_diff, seasonal = TRUE)

summary(fit)

checkresiduals(fit)

# -> sieht oke aus :/

forecast_fit <- forecast(fit, h = 14)  # Prognose für 14 t

plot(forecast_fit, main = "Prognose der logarithmierten Zeitreihe")

###################### Rücktransformierung ####################################

exp_forecast <- exp(forecast_fit$mean)

plot(exp_forecast)

##########################################################neu##################

#######################neu#####################################################

###########neu#################################################################

################################neu############################################

###############################################################################

#############################neu###############################################

###############################################################################

# Lösung formatieren

solution <- data.frame(

  Trading.Day = 1:14,

  Closing.Price = round(exp_forecast, 2)

)

# CSV speichern

write.csv(solution, file = "/Users/benwais/Library/CloudStorage/OneDrive-Persönlich/Uni/AIDAHO Thinkering Club/carbonclaus/01_data/EUA_price_predictions_V1.csv", row.names = FALSE)

# Ausgabe der Lösung

print(solution)

Version: 1.0

RestoreWorkspace: Default

SaveWorkspace: Default

AlwaysSaveHistory: Default

EnableCodeIndexing: Yes

UseSpacesForTab: Yes

NumSpacesForTab: 2

Encoding: UTF-8

RnwWeave: Sweave

LaTeX: pdfLaTeX