Naučte se používat Python pro analýzu časových řad

Od cen akcií po klimatická data můžete časové řady najít v celé řadě oblastí. Mít dovednosti pro efektivní práci s takovými daty je pro datové vědce stále důležitější. Tento kurz vás seznámí s analýzou časových řad v Pythonu.

Poté, co se naučíte, co je časová řada, prozkoumáte několik modelů časových řad, od autoregresních a modelů klouzavého průměru až po modely kointegrace. Cestou se naučíte, jak tyto modely odhadovat, předpovídat a simulovat pomocí statistických knihoven v Pythonu.

Uvidíte řadu příkladů, jak se tyto modely používají, se zvláštním důrazem na aplikace ve financích.

Objevte, jak používat metody časových řad

Začnete tím, že si projdete základy časových řad i jednoduchou lineární regresi. Projdete si koncepty korelace a autokorelace a to, jak se uplatňují v časových řadách, než se pustíte do několika jednoduchých modelů časových řad, jako je bílý šum a náhodná procházka. Dále se podíváš, jak se autoregresivní (AR) modely používají pro časové řady k predikci aktuálních hodnot a jak se modely klouzavého průměru mohou kombinovat s AR modely a vytvářet tak výkonné modely ARMA.

Nakonec se podíváte na to, jak používat modely kointegrace k současnému modelování dvou řad, a poté se podíváte na případovou studii z reálného života.

Prozkoumejte modely a knihovny Pythonu pro analýzu časových řad Na konci tohoto kurzu budete rozumět tomu, jak funguje analýza časových řad v Pythonu. Seznámíš se s některými modely, metodami a knihovnami, které ti mohou pomoci s tímto procesem, a budeš vědět, jak vybrat ty vhodné pro vlastní analýzu.

Tento kurz je součástí širšího programu Time Series with Python Track, který nabízí sadu pěti kurzů, jež vám pomohou zvládnout tuto dovednost v oblasti datové vědy.

Přiřaď AR model k ACF

Analýza časových řad v Pythonu

Interaktivní praktické cvičení