Dive straight in and learn about the most important properties of time series. You'll learn about stationarity and how this is important for ARMA models. You'll learn how to test for stationarity by eye and with a standard statistical test. Finally, you'll learn the basic structure of ARMA models and use this to generate some ARMA data and fit an ARMA model.

Intro to time series and stationarity

Exploration

Train-test splits

Is it stationary

Making time series stationary

Augmented Dicky-Fuller

Taking the difference

Other tranforms

Intro to AR, MA and ARMA models

Model order

Generating ARMA data

Fitting Prelude

ARMA Models

What lies ahead in this chapter is you predicting what lies ahead in your data. You'll learn how to use the elegant statsmodels package to fit ARMA, ARIMA and ARMAX models.  Then you'll use your models to predict the uncertain future of stock prices!

Fitting time series models

Fitting AR and MA models

Fitting an ARMA model

Fitting an ARMAX model

Forecasting

Generating one-step-ahead predictions

Plotting one-step-ahead predictions

Generating dynamic forecasts

Plotting dynamic forecasts

Intro to ARIMA models

Differencing and fitting ARMA

Unrolling ARMA forecast

Fitting an ARIMA model

Choosing ARIMA model

Fitting the Future

In this chapter, you will become a modeler of discerning taste. You'll learn how to identify promising model orders from the data itself, then, once the most promising models have been trained, you'll learn how to choose the best model from this fitted selection. You'll also learn a great framework for structuring your time series projects.

Intro to ACF and PACF

AR or MA

Order of earthquakes

Intro to AIC and BIC

Searching over model order

Choosing order with AIC and BIC

AIC and BIC vs ACF and PACF

Model diagnostics

Mean absolute error

Diagnostic summary statistics

Plot diagnostics

Box-Jenkins method

Identification

Identification II

Estimation

Diagnostics

The Best of the Best Models

In this final chapter, you'll learn how to use seasonal ARIMA models to fit more complex data. You'll learn how to decompose this data into seasonal and non-seasonal parts and then you'll get the chance to utilize all your ARIMA tools on one last global forecast challenge.

Deret waktu musiman

Dekomposisi musiman

ACF dan PACF Musiman

Model SARIMA

Mencocokkan model SARIMA

Memilih orde SARIMA

Prakiraan SARIMA vs ARIMA

Otomatisasi dan penyimpanan

Pemilihan model otomatis

Menyimpan dan memperbarui model

SARIMA dan Box-Jenkins

Kemusiman multiplikatif vs aditif

Diagnostik model SARIMA

Peramalan SARIMA

Selamat!

Seasonal ARIMA Models

US Monthly Candy Production

Monthly Record of CO2

Amazon Daily Closing Stock Price

Monthly Milk Production

Yearly Earthquakes

Pernahkah Anda mencoba memprediksi masa depan? Apa yang akan terjadi masih menjadi misteri yang biasanya hanya terjawab dengan menunggu. Dalam kursus ini, Anda akan berhenti menunggu dan belajar menggunakan model kelas ARIMA yang kuat untuk memprakirakan masa depan. Anda akan mempelajari cara menggunakan paket statsmodels untuk menganalisis deret waktu, membangun model yang disesuaikan, dan melakukan peramalan dalam ketidakpastian. Bagaimana pergerakan pasar saham dalam 24 jam ke depan? Bagaimana kadar CO2 berubah dalam dekade berikutnya? Berapa banyak gempa bumi tahun depan? Anda akan belajar menyelesaikan semua masalah ini dan lainnya.

Apakah Anda pernah mencoba meramalkan masa depan? Apa yang ada di depan adalah sebuah misteri yang biasanya hanya dapat dipecahkan dengan menunggu. Dalam kursus ini, Anda tidak perlu lagi menunggu dan dapat langsung terjun ke dunia pemodelan deret waktu menggunakan model ARIMA dalam Python untuk meramalkan masa depan.<br><br><h2>Data deret waktu</h2>
Mulailah dengan mempelajari dasar-dasar data deret waktu, termasuk konsep stasioneritas—yang sangat penting untuk bekerja dengan model ARMA. Anda akan belajar cara menguji stasioneritas secara visual dan statistik, menghasilkan data ARMA, dan memodelkan ARMA untuk mendapatkan dasar yang kokoh.<br><br><h2>Paket Statsmodels</h2>
Seiring dengan kemajuan Anda, jelajahi paket Statsmodels yang powerful untuk memodelkan model ARMA, ARIMA, dan ARMAX. Anda akan mendapatkan pengalaman praktis dalam menggunakan model Anda untuk memprediksi nilai-nilai di masa depan, seperti harga saham.<br><br>
Dengan membuat konsep-konsep ini mudah dipahami dan diterapkan, Anda akan dapat membuat prediksi yang lebih akurat, perkiraan dinamis, dan menerapkan model ARIMA langsung pada data Anda.<br><br><h2>Grafik ACF dan PACF</h2>
Salah satu poin pentingnya adalah mempelajari cara memilih model terbaik menggunakan grafik ACF dan PACF untuk mengidentifikasi urutan model yang menjanjikan. Anda akan mempelajari kriteria seperti AIC dan BIC untuk pemilihan model dan diagnostik, yang akan membantu Anda menyempurnakan model Anda hingga sempurna.​.<br><br><h2>Model SARIMA</h2>
Kursus ini diakhiri dengan model ARIMA musiman (SARIMA), yang sangat cocok untuk mengolah data dengan pola musiman. Anda akan belajar untuk memecah data deret waktu menjadi komponen musiman dan non-musiman, serta menerapkan keterampilan ARIMA Anda dalam tantangan peramalan global.
<br><br>Proyek akhir ini mengintegrasikan semua materi, memberikan pemahaman yang komprehensif tentang pemodelan ARIMA.

Deret waktu musiman

Create Your Free Account