Bílý šum nelze předpovědět

Časová řada bílého šumu je jednoduše posloupnost nekorelovaných náhodných proměnných se stejným rozdělením. Akciové výnosy se často modelují právě jako bílý šum. Bohužel u bílého šumu není možné předpovídat budoucí hodnoty na základě minulých — autokorelace jsou nulové pro všechna zpoždění.

Vygeneruješ řadu bílého šumu a vykreslíš funkci autokorelace, která ukáže, že je nulová pro všechna zpoždění. K vygenerování náhodných výnosů použij np.random.normal(). U Gaussovského procesu bílého šumu popisuje celý proces průměr a směrodatná odchylka.

Nejprve si řadu bílého šumu vykresli, aby sis udělal/a představu, jak vypadá, a pak vykresli funkci autokorelace.

Toto cvičení je součástí kurzu

Analýza časových řad v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vygeneruj 1000 náhodně normálně rozdělených výnosů pomocí np.random.normal() s průměrem 2 % (0,02) a směrodatnou odchylkou 5 % (0,05), kde argument pro průměr je loc a argument pro směrodatnou odchylku je scale.
Ověř průměr a směrodatnou odchylku výnosů pomocí np.mean() a np.std().
Vykresli časovou řadu.
Vykresli funkci autokorelace pomocí plot_acf s parametrem lags=20.

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

# Simulate white noise returns
returns = np.random.normal(loc=___, scale=___, size=___)

# Print out the mean and standard deviation of returns
mean = np.mean(___)
std = np.std(___)
print("The mean is %5.3f and the standard deviation is %5.3f" %(mean,std))

# Plot returns series
plt.plot(___)
plt.show()

# Plot autocorrelation function of white noise returns
plot_acf(___, lags=___)
plt.show()

Upravit a spustit kód