Tidak Dapat Meramalkan White Noise

Deret waktu white noise hanyalah urutan variabel acak yang tidak berkorelasi dan berdistribusi identik. Return saham sering dimodelkan sebagai white noise. Sayangnya, untuk white noise, kita tidak dapat meramalkan observasi masa depan berdasarkan data masa lalu — autokorelasi pada semua lag bernilai nol.

Anda akan membuat deret white noise dan memplot fungsi autokorelasi untuk menunjukkan bahwa nilainya nol untuk semua lag. Anda dapat menggunakan np.random.normal() untuk menghasilkan return acak. Untuk proses white noise Gaussian, mean dan simpangan baku menggambarkan keseluruhan proses.

Plot deret white noise ini untuk melihat tampilannya, lalu plot fungsi autokorelasinya.

Latihan ini adalah bagian dari kursus

Analisis Deret Waktu dengan Python

Lihat Kursus

Petunjuk latihan

Hasilkan 1000 return acak berdistribusi normal menggunakan np.random.normal() dengan mean 2% (0.02) dan simpangan baku 5% (0.05), dengan argumen mean adalah loc dan argumen simpangan baku adalah scale.
Verifikasi mean dan simpangan baku return menggunakan np.mean() dan np.std().
Plot deret waktunya.
Plot fungsi autokorelasi menggunakan plot_acf dengan lags=20.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf

# Simulate white noise returns
returns = np.random.normal(loc=___, scale=___, size=___)

# Print out the mean and standard deviation of returns
mean = np.mean(___)
std = np.std(___)
print("The mean is %5.3f and the standard deviation is %5.3f" %(mean,std))

# Plot returns series
plt.plot(___)
plt.show()

# Plot autocorrelation function of white noise returns
plot_acf(___, lags=___)
plt.show()

Edit dan Jalankan Kode