In this chapter you'll be introduced to the ideas of correlation and autocorrelation for time series. Correlation describes the relationship between two time series and autocorrelation describes the relationship of a time series with its past values.

Introduction to Course

A "Thin" Application of Time Series

Merging Time Series With Different Dates

Correlation of Two Time Series

Correlation of Stocks and Bonds

Flying Saucers Aren't Correlated to Flying Markets

Simple Linear Regression

Looking at a Regression's R-Squared

Match Correlation with Regression Output

Autocorrelation

A Popular Strategy Using Autocorrelation

Are Interest Rates Autocorrelated?

Correlation and Autocorrelation

In this chapter you'll learn about some simple time series models. These include white noise and a random walk.

Fungsi Autokorelasi

Latihan Pajak: Hitung ACF

Apakah Kita Yakin Saham Ini Bersifat Mean Reverting?

White Noise

Tidak Dapat Meramalkan White Noise

Jalan Acak

Menghasilkan Random Walk

Tangkap Drift

Apakah Harga Saham Merupakan Random Walk?

Bagaimana dengan Return Saham?

Kestasioneran

Apakah Stasioner?

Penyesuaian Musiman Saat Musim Pajak

Some Simple Time Series

In this chapter you'll learn about autoregressive, or AR, models for time series. These models use past values of the series to predict the current value.

Describe AR Model

Simulate AR(1) Time Series

Compare the ACF for Several AR Time Series

Match AR Model with ACF

Estimating and Forecasting AR Model

Estimating an AR Model

Forecasting with an AR Model

Let's Forecast Interest Rates

Compare AR Model with Random Walk

Choosing the Right Model

Estimate Order of Model: PACF

Estimate Order of Model: Information Criteria

Autoregressive (AR) Models

In this chapter you'll learn about another kind of model, the moving average, or MA, model. You will also see how to combine AR and MA models into a powerful ARMA model.

Describe Model

Simulate MA(1) Time Series

Compute the ACF for Several MA Time Series

Match ACF with MA Model

Estimation and Forecasting an MA Model

Estimating an MA Model

Forecasting with MA Model

ARMA models

High Frequency Stock Prices

More Data Cleaning: Missing Data

Applying an MA Model

Equivalence of AR(1) and MA(infinity)

Moving Average (MA) and ARMA Models

This chapter will show you how to model two series jointly using cointegration models. Then you'll wrap up with a case study where you look at a time series of temperature data from New York City.

Cointegration Models

A Dog on a Leash? (Part 1)

A Dog on a Leash? (Part 2)

Are Bitcoin and Ethereum Cointegrated?

Case Study: Climate Change

Is Temperature a Random Walk (with Drift)?

Getting "Warmed" Up: Look at Autocorrelations

Which ARMA Model is Best?

Don't Throw Out That Winter Coat Yet

Congratulations

Putting It All Together

Financial time series datasets

UFO sightings

New York temperature data

Dari harga saham hingga data iklim, data deret waktu ditemukan di berbagai bidang, dan kemampuan untuk bekerja efektif dengan data tersebut semakin penting bagi data scientist. Kursus ini akan memperkenalkan Anda pada analisis deret waktu di Python. Setelah mempelajari apa itu deret waktu, Anda akan mempelajari beberapa model deret waktu mulai dari model autoregressive dan moving average hingga model kointegrasi. Sepanjang materi, Anda akan belajar cara mengestimasi, memprediksi, dan mensimulasikan model-model ini menggunakan pustaka statistik di Python. Anda akan melihat berbagai contoh penggunaan model ini, dengan penekanan khusus pada penerapan di bidang keuangan.

<h2>Pelajari Cara Menggunakan Python untuk Analisis Deret Waktu </h2>
Dari harga saham hingga data iklim, Anda dapat menemukan data deret waktu di berbagai bidang. Memiliki kemampuan untuk bekerja dengan data semacam itu secara efektif merupakan keterampilan yang semakin penting bagi para ilmuwan data. Kursus ini akan memperkenalkan Anda pada analisis deret waktu menggunakan Python.
<br><br>
Setelah memahami apa itu deret waktu, Anda akan mempelajari beberapa model deret waktu, mulai dari model autoregresif dan rata-rata bergerak hingga model kointegrasi. Sepanjang prosesnya, Anda akan belajar cara mengestimasi, meramalkan, dan mensimulasikan model-model ini menggunakan perpustakaan statistik di Python. 
<br><br>
Anda akan melihat banyak contoh tentang bagaimana model-model ini digunakan, dengan penekanan khusus pada aplikasi di bidang keuangan.
<br><br>
<h2>Pelajari Cara Menggunakan Metode Deret Waktu </h2>
Anda akan memulai dengan mempelajari dasar-dasar data deret waktu, serta regresi linier sederhana. Anda akan mempelajari konsep korelasi dan autokorelasi serta bagaimana konsep-konsep tersebut diterapkan pada data deret waktu sebelum menjelajahi beberapa model deret waktu sederhana, seperti noise putih dan jalan acak. 
Selanjutnya, Anda akan mempelajari bagaimana model autoregresif (AR) digunakan untuk data deret waktu guna memprediksi nilai saat ini, serta bagaimana model rata-rata bergerak dapat digabungkan dengan model AR untuk menghasilkan model ARMA yang kuat. 
<br><br>
Akhirnya, Anda akan mempelajari cara menggunakan model kointegrasi untuk memodelkan dua seri data secara bersamaan sebelum membahas studi kasus nyata. 
<br><br>
</h2>Jelajahi Model dan Perpustakaan Python untuk Analisis Deret Waktu</h2>
Pada akhir kursus ini, Anda akan memahami bagaimana analisis deret waktu dalam Python bekerja. Anda akan mengetahui beberapa model, metode, dan perpustakaan yang dapat membantu Anda dalam proses tersebut, serta akan mengetahui cara memilih yang sesuai untuk analisis Anda sendiri. 
<br><br>
Kursus ini merupakan bagian dari rangkaian kursus Time Series with Python, yang terdiri dari lima kursus untuk membantu Anda menguasai keterampilan data science ini. 


Manipulating Time Series Data in Python

Pelajari dasar analisis deret waktu di Python dengan model seperti autoregresif, moving average, dan kointegrasi.

Analisis Deret Waktu dengan Python

Dalam kursus berdurasi empat jam ini, Anda akan mempelajari dasar-dasar analisis data deret waktu menggunakan Python.

Deret Waktu dalam Python

Apakah Stasioner?

Analisis Deret Waktu dengan Python

Latihan interaktif praktis