Porovnání AR modelu s náhodnou procházkou

Někdy je těžké rozlišit mezi časovou řadou, která se mírně vrací k průměru, a časovou řadou, která se k průměru nevrací vůbec – jako je náhodná procházka. Porovnáš ACF mírně mean-revertující série úrokových sazeb z předchozího cvičení se simulovanou náhodnou procházkou se stejným počtem pozorování.

Až zobrazíš autokorelaci těchto dvou sérií vedle sebe, všimneš si, jak moc jsou si podobné.

Toto cvičení je součástí kurzu

Analýza časových řad v Pythonu

Zobrazit kurz

Pokyny k cvičení

Importuj funkci plot_acf z modulu statsmodels
Vytvoř dvě osy pro dva vedlejší grafy
V horním grafu zobrazí autokorelační funkci pro 12 zpoždění série úrokových sazeb interest_rate_data
V dolním grafu zobrazí autokorelační funkci pro 12 zpoždění série úrokových sazeb simulated_data

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf

# Plot the interest rate series and the simulated random walk series side-by-side
fig, axes = plt.subplots(2,1)

# Plot the autocorrelation of the interest rate series in the top plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[0])

# Plot the autocorrelation of the simulated random walk series in the bottom plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[1])

# Label axes
axes[0].set_title("Interest Rate Data")
axes[1].set_title("Simulated Random Walk Data")
plt.show()

Upravit a spustit kód