Comparer un modèle AR à une marche aléatoire

Il est parfois difficile de distinguer une série chronologique qui revient légèrement à la moyenne d'une série qui ne le fait pas du tout, comme une marche aléatoire. Vous allez comparer la FAC de la série des taux d'intérêt légèrement moyenne-revertissante du dernier exercice avec une marche aléatoire simulée ayant le même nombre d'observations.

Lorsque vous tracerez côte à côte l'autocorrélation de ces deux séries, vous devriez remarquer qu'elles se ressemblent beaucoup.

Cette activité fait partie du cours

Analyse des séries chronologiques en Python

Voir le cours

Instructions de l’exercice

Importez la fonction plot_acf du module statsmodels
Créez deux axes pour les deux sous-graphiques
Tracez la fonction d'autocorrélation pour 12 retards de la série des taux d'intérêt interest_rate_data dans le graphique du haut
Tracez la fonction d'autocorrélation pour 12 retards de la série simulée simulated_data dans le graphique du bas

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf

# Plot the interest rate series and the simulated random walk series side-by-side
fig, axes = plt.subplots(2,1)

# Plot the autocorrelation of the interest rate series in the top plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[0])

# Plot the autocorrelation of the simulated random walk series in the bottom plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[1])

# Label axes
axes[0].set_title("Interest Rate Data")
axes[1].set_title("Simulated Random Walk Data")
plt.show()

Modifier et exécuter le code