Exercice fiscal : calculer l’ACF

Dans le chapitre précédent, vous avez calculé des autocorrélations avec un seul retard. Nous souhaitons souvent visualiser l’autocorrélation sur plusieurs retards. Le bénéfice trimestriel de H&R Block (symbole boursier HRB) est tracé, et vous pouvez constater l’extrême cyclicité de ses résultats. La grande majorité de ses bénéfices est réalisée au trimestre où les impôts sont dus.

Vous allez calculer le tableau des autocorrélations pour les bénéfices trimestriels de H&R Block, déjà chargés dans le DataFrame HRB. Puis, tracez la fonction d’autocorrélation à l’aide du module plot_acf. Ce graphique montre à quoi ressemble la fonction d’autocorrélation pour des données de bénéfices cycliques. L’ACF pour lag=0 vaut toujours un, bien sûr. Dans le prochain exercice, vous verrez l’intervalle de confiance de l’ACF, mais pour l’instant, supprimez l’intervalle de confiance en fixant alpha=1.

Cet exercice fait partie du cours

Analyse des séries temporelles en Python

Afficher le cours

Instructions

Importez le module acf et le module plot_acf depuis statsmodels.
Calculez le tableau des autocorrélations des bénéfices trimestriels dans le DataFrame HRB.
Tracez la fonction d’autocorrélation des bénéfices trimestriels dans HRB, et passez l’argument alpha=1 pour supprimer l’intervalle de confiance.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Import the acf module and the plot_acf module from statsmodels
from statsmodels.tsa.stattools import acf
from statsmodels.graphics.tsaplots import plot_acf

# Compute the acf array of HRB
acf_array = acf(___)
print(acf_array)

# Plot the acf function
plot_acf(___)
plt.show()

Modifier et exécuter le code