Knifflige Aufgabe: ACF berechnen
Im letzten Kapitel hast du Autokorrelationen mit einem Lag berechnet. Oft interessiert uns jedoch die Autokorrelation über viele Lags. Die Quartalsergebnisse von H&R Block (Tickersymbol HRB) sind geplottet, und du siehst die ausgeprägte Zyklik der Ergebnisse. Der Großteil der Gewinne fällt in das Quartal, in dem die Steuern fällig sind.
Du berechnest das Array der Autokorrelationen für die Quartalsergebnisse von H&R Block, das im DataFrame HRB vorab geladen ist. Anschließend plottest du die Autokorrelationsfunktion mit dem Modul plot_acf. Dieser Plot zeigt, wie die Autokorrelationsfunktion bei zyklischen Gewinnen aussieht. Die ACF bei lag=0 ist natürlich immer eins. In der nächsten Aufgabe lernst du das Konfidenzintervall der ACF kennen, aber fürs Erste unterdrückst du es, indem du alpha=1 setzt.
Diese Übung ist Teil des Kurses
Zeitreihenanalyse in Python
Anleitung zur Übung
- Importiere das Modul
acfund das Modulplot_acfaus statsmodels. - Berechne das Array der Autokorrelationen der Quartalsdaten im DataFrame
HRB. - Plotte die Autokorrelationsfunktion der Quartalsdaten in
HRBund übergib das Argumentalpha=1, um das Konfidenzintervall zu unterdrücken.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Import the acf module and the plot_acf module from statsmodels
from statsmodels.tsa.stattools import acf
from statsmodels.graphics.tsaplots import plot_acf
# Compute the acf array of HRB
acf_array = acf(___)
print(acf_array)
# Plot the acf function
plot_acf(___)
plt.show()