Apakah Kita Yakin Saham Ini Bersifat Mean Reverting?

Pada bab sebelumnya, Anda melihat bahwa autokorelasi return saham mingguan MSFT adalah -0,16. Autokorelasi tersebut tampak besar, tetapi apakah itu signifikan secara statistik? Dengan kata lain, dapatkah Anda mengatakan bahwa peluangnya kurang dari 5% untuk mengamati autokorelasi negatif sebesar itu jika autokorelasi sebenarnya benar-benar nol? Dan adakah autokorelasi pada lag lain yang signifikan berbeda dari nol?

Sekalipun autokorelasi sebenarnya nol pada semua lag, dalam sampel return yang berhingga Anda tidak akan melihat taksiran autokorelasi tepat nol. Faktanya, simpangan baku autokorelasi sampel adalah \(\small 1/\sqrt{N}\), dengan \(\small N\) adalah jumlah observasi; jadi jika \(\small N=100\), misalnya, simpangan baku ACF adalah 0,1, dan karena 95% kurva normal berada antara +1,96 dan -1,96 simpangan baku dari mean, maka interval kepercayaan 95% adalah \(\small \pm 1.96/\sqrt{N}\). Pendekatan ini hanya berlaku ketika autokorelasi sebenarnya semuanya nol.

Anda akan menghitung interval kepercayaan aktual dan perkiraannya untuk ACF, lalu membandingkannya dengan autokorelasi lag satu sebesar -0,16 dari bab sebelumnya. Return mingguan Microsoft sudah dimuat sebelumnya dalam DataFrame bernama returns.

Latihan ini adalah bagian dari kursus

Analisis Deret Waktu dengan Python

Lihat Kursus

Petunjuk latihan

Hitung ulang autokorelasi return mingguan pada Series 'Adj Close' di DataFrame returns.
Cari jumlah observasi dalam DataFrame returns menggunakan fungsi len().
Perkirakan interval kepercayaan 95% dari autokorelasi yang ditaksir. Fungsi matematika sqrt() telah diimpor dan dapat digunakan.
Plot fungsi autokorelasi dari returns menggunakan plot_acf yang telah diimpor dari statsmodels. Tetapkan alpha=0.05 untuk interval kepercayaan (itu adalah nilai bawaan) dan lags=20.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Import the plot_acf module from statsmodels and sqrt from math
from statsmodels.graphics.tsaplots import plot_acf
from math import sqrt

# Compute and print the autocorrelation of MSFT weekly returns
autocorrelation = returns['Adj Close'].___
print("The autocorrelation of weekly MSFT returns is %4.2f" %(autocorrelation))

# Find the number of observations by taking the length of the returns DataFrame
nobs = ___

# Compute the approximate confidence interval
conf = 1.96/___
print("The approximate confidence interval is +/- %4.2f" %(conf))

# Plot the autocorrelation function with 95% confidence intervals and 20 lags using plot_acf
plot_acf(___, alpha=0.05, ___)
plt.show()

Edit dan Jalankan Kode