-
Notifications
You must be signed in to change notification settings - Fork 3
/
Copy pathregressão_varios_horizontes.R
237 lines (133 loc) · 8.44 KB
/
regressão_varios_horizontes.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
comeco <- Sys.time()
# regressão para todos os periodos
library(forecast)
library(randomForest)
library(bootstrap)
library(boot)
library(glmnet)
# por em um outro código para dar source
source('./funcoes/ar_rw_rolling_windows.R')
source('./funcoes/ForecastingInflation/func-ucsv.R')
source('./funcoes/ForecastingInflation/func-lasso.R')
source('./funcoes/HDeconometrics/ic.glmnet.R')
source('./funcoes/ForecastingInflation/func-fact.R')
source('./funcoes/ForecastingInflation/func-tfact.R')
source('./funcoes/HDeconometrics/baggit.R')
source('./funcoes/ForecastingInflation/func-boosting.R')
source('./funcoes/HDeconometrics/boosting.R')
source('./funcoes/HDeconometrics/auxiliary_functions.R')
source('./funcoes/HDeconometrics/predict.boosting.R')
source('./funcoes/ForecastingInflation/func-bag.R')
source('./funcoes/HDeconometrics/bagging.R')
source('./funcoes/HDeconometrics/predict.bagging.R')
source('./funcoes/ForecastingInflation/func-csr.R')
source('./funcoes/HDeconometrics/csr.R')
source('./funcoes/HDeconometrics/predict.csr.R')
source('./funcoes/ForecastingInflation/func-jn.R')
source('./funcoes/ForecastingInflation/func-rf.R')
source('./funcoes/ForecastingInflation/func-rfols.R')
source('./funcoes/ForecastingInflation/func-lbvar.R')
source('./funcoes/HDeconometrics/lbvar.R')
source('./funcoes/lbvar/lbvar.R')
source('./funcoes/lbvar/predict.lbvar.R')
source('./funcoes/ForecastingInflation/func-adalassorf.R')
# dados utilizados
dados.utilizados <- dados.transformados["2003-02/2020-12",]
obs <- nrow(dados.utilizados) - 109
# criando lista para guardar todos os horizontes
todas_previsoes_por_horizonte <- list()
for ( horizonte in 1:13){
# Modelos #
### Autoregressivo (AR)
print(paste0('horizonte : ',horizonte, ' -- ','1/15 -- Rodando Modelo AR') )
previsoes_ipca_ar <- ar.rw(dados.utilizados,obs,horizonte)
### Random Walk
print(paste0('horizonte : ',horizonte, ' -- ','2/15 -- Rodando Modelo RW') )
previsoes_ipca_rw <- rw.rw(dados.utilizados,obs,horizonte)
# as formulas a baixo foram retiradas de https://github.com/gabrielrvsc/ForecastingInflation/tree/master/first-sample
# utilizadas no artigo Forecasting Inflation in a Data-Rich Environment:The Benefits of Machine Learning Methods
### Lasso
print(paste0('horizonte : ',horizonte, ' -- ','3/15 -- Rodando Modelo Lasso') )
resultado_lasso <- lasso.rolling.window(as.ts(dados.utilizados),obs,1,horizonte)
previsoes_ipca_lasso <- as.xts(resultado_lasso$pred, order.by = index(dados.utilizados)[-(1:(109))])
### Ridge nao vou usar , muito ruim a previsao
print(paste0('horizonte : ',horizonte, ' -- ','4/15 -- Rodando Modelo ridge') )
resultado_ridge <- lasso.rolling.window(as.ts(dados.utilizados),obs,indice = 1,lag = horizonte,alpha = 0)
previsoes_ipca_ridge <- as.xts(resultado_ridge$pred, order.by = index(dados.utilizados)[-(1:109)])
### adaLasso
print(paste0('horizonte : ',horizonte, ' -- ','5/15 -- Rodando Modelo adaLasso') )
resultado_adalasso <- lasso.rolling.window(as.ts(dados.utilizados),obs,1,horizonte,type = 'adalasso')
previsoes_ipca_adalasso <- as.xts(resultado_adalasso$pred, order.by = index(dados.utilizados)[-(1:109)])
### flex adalasso
print(paste0('horizonte : ',horizonte, ' -- ','6/15 -- Rodando Modelo flex-adaLasso') )
resultado_flex_adalasso <- lasso.rolling.window(as.ts(dados.utilizados),obs,1,horizonte,type = 'fal')
previsoes_ipca_flex_adalasso <- as.xts(resultado_flex_adalasso$pred, order.by = index(dados.utilizados)[-(1:109)])
# Modelo de fatores
print(paste0('horizonte : ',horizonte, ' -- ','7/15 -- Rodando Modelo de fatores') )
resultado_fact <- fact.rolling.window(as.data.frame(dados.utilizados),obs,1,horizonte)
previsoes_ipca_fact <- as.xts(resultado_fact$pred, order.by = index(dados.utilizados)[-(1:109)])
# modelo de Target fatores
print(paste0('horizonte : ',horizonte, ' -- ','8/15 -- Rodando Modelo de Target fatores') )
resultado_target_fact <- tfact.rolling.window(as.ts(dados.utilizados),obs,1,horizonte)
previsoes_ipca_target_fact <- as.xts(resultado_target_fact$pred, order.by = index(dados.utilizados)[-(1:109)])
# Boosting de fatores
print(paste0('horizonte : ',horizonte, ' -- ','9/15 -- Rodando Modelo de Boosting de fatores') )
resultado_boosting_fact <- boosting.rolling.window(as.ts(dados.utilizados),obs,1,horizonte)
previsoes_ipca_boosting_fact <- as.xts(resultado_boosting_fact$pred, order.by = index(dados.utilizados)[-(1:109)])
# Ensemble
### Bagging
# TODO : botar um while true try da vida no bagging ,
# TODO : verificar as previsoes ,ta muito estranho ,
# obs .: só está funcionando se tiver mais de 120 observacoes
#resultado_bagging <- bagg.rolling.window(as.ts(dados.utilizados),obs,1,horizonte)
#previsoes_ipca_bagging <- as.xts(resultado_bagging$pred, order.by = index(dados.utilizados)[-(1:109)])
### CSR
print(paste0('horizonte : ',horizonte, ' -- ','10/15 -- Rodando Modelo de CSR') )
resultado_csr <- csr.rolling.window(as.ts(dados.utilizados),obs,1,horizonte)
previsoes_ipca_csr <- as.xts(resultado_csr$pred, order.by = index(dados.utilizados)[-(1:109)])
### jackknife
# TODO : ver como funciona direit o jackknife do bootstrap
#resultado_jackknife <- jackknife.rolling.window(as.ts(dados.utilizados),obs,1,1)
#previsoes_ipca_jackknife<- as.xts(resultado_jackknife$pred, order.by = index(dados.utilizados)[-(1:109)])
### Random Forests
print(paste0('horizonte : ',horizonte, ' -- ','11/15 -- Rodando Modelo de RF') )
resultado_rf <- rf.rolling.window(as.ts(dados.utilizados),obs,1,horizonte)
previsoes_ipca_rf <- as.xts(resultado_rf$pred, order.by = index(dados.utilizados)[-(1:109)])
### RF ols
print(paste0('horizonte : ',horizonte, ' -- ','12/15 -- Rodando Modelo de RFOLS') )
resultado_rfols <- rfols.rolling.window(as.ts(dados.utilizados),obs,1,horizonte)
previsoes_ipca_rfols <- as.xts(resultado_rfols$pred, order.by = index(dados.utilizados)[-(1:109)])
### RF adalasso
print(paste0('horizonte : ',horizonte, ' -- ','13/15 -- Rodando Modelo de RFadaLasso') )
resultado_rf_adalasso <- rflasso.rolling.window(as.ts(dados.utilizados),obs,1,horizonte,type = 'fal')
previsoes_ipca_rf_adalasso <- as.xts(resultado_rf_adalasso$pred, order.by = index(dados.utilizados)[-(1:109)])
### BVAR
print(paste0('horizonte : ',horizonte, ' -- ','14/15 -- Rodando Modelo de BVAR') )
resultado_lbvar <- lbvar.rw(as.ts(dados.utilizados),4,horizonte,obs)
previsoes_ipca_lbvar <- as.xts(resultado_lbvar$pred, order.by = index(dados.utilizados)[-(1:109)])
# Agrupando os resultados resultados
previsoes_ipca <- cbind( dados.utilizados[-(1:(109)),'IPCA.'],
previsoes_ipca_ar, previsoes_ipca_rw,
previsoes_ipca_lasso, previsoes_ipca_ridge,previsoes_ipca_adalasso,
previsoes_ipca_flex_adalasso,previsoes_ipca_fact,previsoes_ipca_target_fact,
previsoes_ipca_boosting_fact, previsoes_ipca_csr,previsoes_ipca_rf,
previsoes_ipca_rfols,previsoes_ipca_rf_adalasso,previsoes_ipca_lbvar)
todas_previsoes_por_horizonte[[horizonte]] <- previsoes_ipca
}
### Modelo UCSV a funcao dele ja produz a previsão para todos horizontes
print(paste0('horizonte : todos -- ','15/15 -- Rodando Modelo UCSV') )
resultado_ucsv <- ucsv.rw(as.numeric(dados.utilizados[,1]),obs,1:13)
previsoes_ipca_ucsv <- as.xts(resultado_ucsv , order.by = index(dados.utilizados)[-(1:109)])
for (horizonte in 1:13){
todas_previsoes_por_horizonte[[horizonte]]$previsoes_ipca_ucsv <- as.xts(c(NA,NA,resultado_ucsv[,horizonte]) ,
order.by = index(dados.utilizados)[-(1:107)])
}
# para medir o tempo que rodou
fim <- Sys.time()
total <- (fim - comeco)
saveRDS(todas_previsoes_por_horizonte,file = 'todas_previsoes_por_horizonte')
print(paste0('tempo total rodando os modelos : ',format(total, digits = 3)) )
# limpando a memoria
rm(list = ls()[-c(grep('dados.transformados',ls()),
grep('df.final',ls()),
grep('todas_previsoes_por_horizonte',ls()) )])