Appliquer un modèle MA
Les allers-retours du cours entre le bid et l’ask induisent une autocorrélation négative d’ordre 1, mais aucune autocorrélation pour des retards supérieurs à 1. Vous obtenez le même profil d’ACF avec un modèle MA(1). Vous allez donc ajuster un modèle MA(1) aux données intrajournalières de l’exercice précédent.
La première étape consiste à calculer les rendements minute par minute à partir des prix dans intraday, puis à tracer la fonction d’autocorrélation. Vous devriez observer que l’ACF ressemble à celle d’un processus MA(1). Ensuite, ajustez les données à un MA(1), comme vous l’avez fait pour des données simulées.
Cet exercice fait partie du cours
Analyse des séries temporelles en Python
Instructions
- Importez les modules
plot_acfetARIMAdepuis statsmodels - Calculez les rendements minute à minute à partir des prix :
- Calculez les rendements avec la méthode
.pct_change() - Utilisez la méthode pandas
.dropna()pour supprimer la première ligne de rendements, qui est NaN
- Calculez les rendements avec la méthode
- Tracez la fonction ACF avec des retards allant jusqu’à 60 minutes
- Ajustez les rendements à un modèle MA(1) et affichez le paramètre MA(1)
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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])