No se puede pronosticar el ruido blanco

Una serie temporal de ruido blanco es simplemente una secuencia de variables aleatorias no correlacionadas e idénticamente distribuidas. A menudo, los rendimientos bursátiles se modelan como ruido blanco. Por desgracia, en el caso del ruido blanco, no podemos pronosticar observaciones futuras a partir del pasado: las autocorrelaciones en todos los rezagos son cero.

Vas a generar una serie de ruido blanco y a trazar la función de autocorrelación para mostrar que es cero en todos los rezagos. Puedes usar np.random.normal() para generar rendimientos aleatorios. En un proceso gaussiano de ruido blanco, la media y la desviación estándar describen todo el proceso.

Dibuja esta serie de ruido blanco para ver su aspecto y, después, traza la función de autocorrelación.

Este ejercicio forma parte del curso

Análisis de series temporales en Python

Ver curso

Instrucciones del ejercicio

Genera 1000 rendimientos normales aleatorios usando np.random.normal() con media del 2 % (0.02) y desviación estándar del 5 % (0.05), donde el argumento de la media es loc y el de la desviación estándar es scale.
Verifica la media y la desviación estándar de los rendimientos con np.mean() y np.std().
Traza la serie temporal.
Traza la función de autocorrelación usando plot_acf con lags=20.

ejercicio interactivo práctico

Prueba este ejercicio completando este código de ejemplo.

# 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()

Editar y ejecutar código