MA मॉडल लागू करना
बिड और आस्क के बीच स्टॉक प्राइस का उछलना पहले ऑर्डर का नकारात्मक ऑटोकॉरिलेशन पैदा करता है, लेकिन लैग 1 से अधिक पर ऑटोकॉरिलेशन नहीं होता. यही ACF पैटर्न आपको MA(1) मॉडल के साथ भी मिलता है. इसलिए, आप पिछले अभ्यास के इंट्राडे स्टॉक डेटा पर MA(1) मॉडल फिट करेंगे.
पहला कदम है intraday में मौजूद प्राइस से मिनट-दर-मिनट रिटर्न्स निकालना और ऑटोकॉरिलेशन फंक्शन प्लॉट करना. आपको दिखेगा कि ACF, MA(1) प्रोसेस जैसा लगता है. फिर, सिम्युलेटेड डेटा की तरह ही, डेटा को MA(1) पर फिट करें.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में Time Series Analysis
अभ्यास निर्देश
- statsmodels से
plot_acfऔरARIMAमॉड्यूल इम्पोर्ट करें - प्राइस से मिनट-टू-मिनट रिटर्न्स निकालें:
.pct_change()मेथड से रिटर्न्स निकालें- pandas की
.dropna()मेथड का प्रयोग करके पहली पंक्ति (जो NaN होगी) हटा दें
- ACF फंक्शन को 60 मिनट तक के lags के साथ प्लॉट करें
- रिटर्न्स डेटा पर MA(1) मॉडल फिट करें और MA(1) पैरामीटर प्रिंट करें
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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])