Esercizio impegnativo: calcola l'ACF
Nel capitolo precedente hai calcolato le autocorrelazioni con un ritardo. Spesso, però, ci interessa osservare l’autocorrelazione su molti ritardi. Nel grafico trovi gli utili trimestrali di H&R Block (ticker HRB), dove puoi notare un’elevata ciclicità degli utili. La gran parte degli utili si concentra nel trimestre in cui scadono le tasse.
Calcolerai l’array delle autocorrelazioni per gli utili trimestrali di H&R Block, già caricati nel DataFrame HRB. Poi, traccerai la funzione di autocorrelazione usando il modulo plot_acf. Questo grafico mostra l’andamento della funzione di autocorrelazione per dati di utili ciclici. L’ACF a lag=0 è sempre pari a uno, naturalmente. Nel prossimo esercizio imparerai l’intervallo di confidenza per l’ACF; per ora, nascondilo impostando alpha=1.
Questo esercizio fa parte del corso
Analisi delle serie temporali in Python
Istruzioni dell'esercizio
- Importa i moduli
acfeplot_acfda statsmodels. - Calcola l’array delle autocorrelazioni degli utili trimestrali nel DataFrame
HRB. - Traccia la funzione di autocorrelazione degli utili trimestrali in
HRBe passa l’argomentoalpha=1per nascondere l’intervallo di confidenza.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# Import the acf module and the plot_acf module from statsmodels
from statsmodels.tsa.stattools import acf
from statsmodels.graphics.tsaplots import plot_acf
# Compute the acf array of HRB
acf_array = acf(___)
print(acf_array)
# Plot the acf function
plot_acf(___)
plt.show()