时间序列分析工具箱——sweep

作者：徐瑞龙，量化分析师，R语言中文社区专栏作者

博客专栏：

https://www.cnblogs.com/xuruilong100

本文翻译自《Demo Week: Tidy Forecasting with sweep》

原文链接：

www.business-science.io/code-tools/2017/10/25/demo_week_sweep.html

sweep 的用途

正如 broom 包之于 stats 包，sweep 包用来简化使用 forecast 包的工作流。本教程将逐一介绍常用函数 sw_tidy、sw_glance、sw_augment 和 sw_sweep 的用法。

sweep 和 timetk 带来的额外好处是，如果 ts 对象是由 tbl 对象转换来的，那么在预测过程中日期和时间信息会以 timetk 索引的形式保留下来。一句话概括：这意味着我们最终可以在预测时使用日期，而不是 ts 类型数据使用的规则间隔数字日期。

加载包

本教程要使用到四个包：

• sweep：简化 forecast 包的使用

• forecast：提供 ARIMA、ETS 和其他流行的预测算法

• tidyquant：获取数据并在后台加载 tidyverse 系列工具

• timetk：时间序列数据处理工具，用来将 tbl 转换成 ts

# Load libraries library(sweep)      # Broom-style tidiers for the forecast package library(forecast)   # Forecasting models and predictions package library(tidyquant)  # Loads tidyverse, financial pkgs, used to get data library(timetk)     # Functions working with time series

数据

我们使用 timetk 教程中数据——啤酒、红酒和蒸馏酒销售数据（https://fred.stlouisfed.org/series/S4248SM144NCEN），

用 tidyquant 中的 tq_get() 函数从 FRED 获取。

# Beer, Wine, Distilled Alcoholic Beverages, in Millions USD beer_sales_tbl <- tq_get(    "S4248SM144NCEN",    get = "economic.data",    from = "2010-01-01",    to = "2016-12-31") beer_sales_tbl

## # A tibble: 84 x 2 ##          date price ##        <date> <int> ##  1 2010-01-01  6558 ##  2 2010-02-01  7481 ##  3 2010-03-01  9475 ##  4 2010-04-01  9424 ##  5 2010-05-01  9351 ##  6 2010-06-01 10552 ##  7 2010-07-01  9077 ##  8 2010-08-01  9273 ##  9 2010-09-01  9420 ## 10 2010-10-01  9413 ## # ... with 74 more rows

可视化数据是一个好东西，这有助于帮助我们了解正在使用的是什么数据。可视化对于时间序列分析和预测尤为重要。我们将使用 tidyquant 画图工具：主要是用 geom_ma(ma_fun = SMA，n = 12) 来添加一个周期为 12 的简单移动平均线来了解趋势。我们还可以看到似乎同时存在着趋势性（移动平均线以近似线性的模式增长）和季节性（波峰和波谷倾向于在特定月份发生）。

# Plot Beer Sales beer_sales_tbl %>%    ggplot(aes(date, price)) +    geom_line(col = palette_light()[1]) +    geom_point(col = palette_light()[1]) +    geom_ma(ma_fun = SMA, n = 12, size = 1) +    theme_tq() +    scale_x_date(date_breaks = "1 year", date_labels = "%Y") +    labs(title = "Beer Sales: 2007 through 2016")

现在你对我们要分析的时间序列有了直观的感受，那么让我们继续！

Demo：forecast + sweep 的简化预测工作流

我们将联合使用 forecast 和 sweep 来简化预测分析。