Aplicación de un modelo MA
El rebote del precio de las acciones entre la oferta y la demanda induce una autocorrelación de primer orden negativa, pero no autocorrelaciones en rezagos superiores a 1. Obtendrás el mismo patrón ACF con un modelo MA(1). Por tanto, ajustarás un modelo MA(1) a los datos bursátiles intradía del último ejercicio.
El primer paso consiste en calcular minuto a minuto los rendimientos de los precios en intraday, y trazar la función de autocorrelación. Debes observar que la ACF se parece a la de un proceso MA(1). A continuación, ajusta los datos a un MA(1), del mismo modo que hiciste con los datos simulados.
Este ejercicio forma parte del curso
Análisis de Series Temporales en Python
Instrucciones de ejercicio
- Importa los módulos
plot_acfyARIMAde statsmodels - Calcula los rendimientos minuto a minuto a partir de los precios:
- Calcula los rendimientos con el método
.pct_change() - Utiliza el método pandas
.dropna()para eliminar la primera fila de retornos, que es NaN
- Calcula los rendimientos con el método
- Traza la función ACF con retardos de hasta 60 minutos
- Ajusta los datos de devoluciones a un modelo MA(1) e imprime el parámetro MA(1)
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# 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])