Ein MA-Modell anwenden
Das Hin- und Herpendeln des Aktienkurses zwischen Geld- und Briefkurs führt zu einer negativen Autokorrelation erster Ordnung, aber zu keinen Autokorrelationen bei Lags größer als 1. Dasselbe ACF-Muster erhältst du mit einem MA(1)-Modell. Daher passt du ein MA(1)-Modell auf die Intraday-Aktienkursdaten aus der letzten Übung an.
Der erste Schritt ist, Minutentakt-Renditen aus den Preisen in intraday zu berechnen und die Autokorrelationsfunktion zu plotten. Du solltest beobachten, dass die ACF wie die eines MA(1)-Prozesses aussieht. Anschließend passt du die Daten wie bei den simulierten Daten an ein MA(1)-Modell an.
Diese Übung ist Teil des Kurses
Zeitreihenanalyse in Python
Anleitung zur Übung
- Importiere die Module
plot_acfundARIMAaus statsmodels - Berechne Minutentakt-Renditen aus den Preisen:
- Berechne Renditen mit der Methode
.pct_change() - Entferne die erste Zeile der Renditen mit der pandas-Methode
.dropna(), da sie NaN ist
- Berechne Renditen mit der Methode
- Plotte die ACF mit Lags bis zu 60 Minuten
- Fitte die Renditedaten mit einem MA(1)-Modell und gib den MA(1)-Parameter aus
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import plot_acf and ARIMA modules from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.tsa.arima.model import ARIMA
# Compute returns from prices and drop the NaN
returns = intraday.___
returns = returns.___
# Plot ACF of returns with lags up to 60 minutes
plot_acf(___, ___)
plt.show()
# Fit the data to an MA(1) model
mod = ARIMA(___, order=(0,0,1))
res = mod.fit()
print(res.params[1])