Menerapkan Model MA
Pergerakan harga saham yang memantul antara bid dan ask menyebabkan autokorelasi orde pertama bernilai negatif, namun tidak ada autokorelasi pada lag di atas 1. Pola ACF yang sama juga muncul pada model MA(1). Oleh karena itu, Anda akan memasang model MA(1) pada data saham intrahari dari latihan sebelumnya.
Langkah pertama adalah menghitung return per menit dari harga pada intraday, dan memplot fungsi autokorelasi. Anda seharusnya melihat bahwa ACF tampak seperti proses MA(1). Lalu, pasangkan data ke MA(1), dengan cara yang sama seperti yang Anda lakukan pada data simulasi.
Latihan ini adalah bagian dari kursus
Analisis Deret Waktu dengan Python
Petunjuk latihan
- Impor modul
plot_acfdanARIMAdari statsmodels - Hitung return menit ke menit dari harga:
- Hitung return dengan metode
.pct_change() - Gunakan metode pandas
.dropna()untuk menghapus baris pertama return yang bernilai NaN
- Hitung return dengan metode
- Plot fungsi ACF dengan lag hingga 60 menit
- Pasangkan data return ke model MA(1) dan cetak parameter MA(1)
Latihan interaktif praktis
Cobalah latihan ini dengan menyelesaikan kode contoh berikut.
# 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])