Apprenez à utiliser Python pour l'analyse de séries chronologiques

Des cours boursiers aux données climatiques, vous pouvez trouver des données chronologiques dans une grande variété de domaines. Posséder les compétences nécessaires pour travailler efficacement avec ce type de données est de plus en plus important pour les scientifiques des données. Ce cours vous initiera à l'analyse des séries chronologiques en Python.

Après avoir appris ce qu'est une série chronologique, vous explorerez plusieurs modèles de séries chronologiques, allant des modèles autorégressifs et à moyenne mobile aux modèles de cointégration. Au cours de cette formation, vous apprendrez à estimer, prévoir et simuler ces modèles à l'aide des bibliothèques statistiques de Python.

Vous découvrirez de nombreux exemples d'utilisation de ces modèles, avec un accent particulier sur les applications dans le domaine financier.

Découvrez comment utiliser les méthodes de séries chronologiques

Vous commencerez par aborder les principes fondamentaux des données chronologiques, ainsi que la régression linéaire simple. Vous aborderez les concepts de corrélation et d'autocorrélation et leur application aux données chronologiques avant d'explorer quelques modèles chronologiques simples, tels que le bruit blanc et la marche aléatoire. Ensuite, vous découvrirez comment les modèles autorégressifs (AR) sont utilisés pour les données chronologiques afin de prédire les valeurs actuelles et comment les modèles à moyenne mobile peuvent être combinés aux modèles AR pour produire de puissants modèles ARMA.

Enfin, vous découvrirez comment utiliser les modèles de cointégration pour modéliser deux séries conjointement avant d'examiner une étude de cas réelle.

Découvrez les modèles et bibliothèques Python pour l'analyse des séries chronologiques À la fin de ce cours, vous comprendrez comment fonctionne l'analyse des séries chronologiques en Python. Vous découvrirez certains des modèles, méthodes et bibliothèques qui peuvent vous aider dans ce processus et saurez comment choisir ceux qui conviennent le mieux à votre propre analyse.

Ce cours fait partie d'une série plus large intitulée « Time Series with Python cursus », qui comprend cinq cours destinés à vous aider à maîtriser cette compétence en science des données.

Faire correspondre un modèle AR avec l’ACF

Exercice interactif pratique