Comparer un modèle AR à une marche aléatoire

Il est parfois difficile de faire la différence entre une série temporelle légèrement retombant vers sa moyenne et une série qui ne revient pas du tout vers sa moyenne, comme une marche aléatoire. Vous allez comparer la FAC (fonction d’autocorrélation) de la série des taux d’intérêt légèrement mean-reverting de l’exercice précédent avec une marche aléatoire simulée ayant le même nombre d’observations.

Lorsque vous tracez côte à côte l’autocorrélation de ces deux séries, vous devriez constater qu’elles se ressemblent beaucoup.

Cet exercice fait partie du cours

Analyse des séries temporelles en Python

Afficher le cours

Instructions

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

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# 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