Modelorde

Als je AR-, MA- en ARMA-modellen fit en ermee werkt, is het heel belangrijk om de modelorde te begrijpen. Je moet de modelorde kiezen tijdens het fitten. De juiste keuze levert een beter passend model op dat betere voorspellingen doet. In deze sectie ga je daarom oefenen met modelorde.

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in Python

Interactieve oefening met praktijkervaring

Zet theorie om in actie met een van onze interactieve oefeningen

Deze oefening maakt deel uit van de cursus

ARIMA-modellen in Python

SkillTag.level.advancedSkillTag.label

4.9+

Begin gratis met de cursus

Duik er meteen in en leer de belangrijkste eigenschappen van tijdreeksen kennen. Je leert over stationariteit en waarom dit belangrijk is voor ARMA-modellen. Je leert stationariteit beoordelen op het oog en met een standaard statistische test. Tot slot leer je de basisstructuur van ARMA-modellen en gebruik je die om ARMA-data te genereren en een ARMA-model te fitten.

Exercise 1: Introductie tot tijdreeksen en stationariteit Exercise 2: Verkennen Exercise 3: Train-test-splits Exercise 4: Is het stationair Exercise 5: Tijdreeksen stationair maken Exercise 6: Augmented Dickey-Fuller Exercise 7: Verschillen nemen Exercise 8: Andere transformaties Exercise 9: Introductie tot AR-, MA- en ARMA-modellen Exercise 10: Modelorde

Huidige oefening

Exercise 11: ARMA-gegevens genereren Exercise 12: Model fitten: prelude

Wat je in dit hoofdstuk te wachten staat, is dat jij gaat voorspellen wat jouw data te wachten staat. Je leert hoe je het elegante statsmodels-pakket gebruikt om ARMA-, ARIMA- en ARMAX-modellen te fitten. Daarna gebruik je je modellen om de onzekere toekomst van aandelenkoersen te voorspellen!

Exercise 1: Tijdreeksmodellen fitten Exercise 2: AR- en MA-modellen fitten Exercise 3: Een ARMA-model fitten Exercise 4: Een ARMAX-model fitten Exercise 5: Voorspellen Exercise 6: One-step-ahead-voorspellingen genereren Exercise 7: One-step-ahead-voorspellingen plotten Exercise 8: Dynamische voorspellingen genereren Exercise 9: Dynamische voorspellingen plotten Exercise 10: Introductie tot ARIMA-modellen Exercise 11: Verschillen nemen en ARMA fitten Exercise 12: ARMA-voorspelling uitrollen Exercise 13: Een ARIMA-model fitten Exercise 14: ARIMA-model kiezen

In dit hoofdstuk word je een modelleur met een scherpe smaak. Je leert hoe je veelbelovende modelordes uit de data zelf herkent en, zodra de meest kansrijke modellen zijn getraind, hoe je het beste model uit deze gefitte selectie kiest. Je leert ook een sterke aanpak om je tijdreeksprojecten te structureren.

Exercise 1: Introductie tot ACF en PACF Exercise 2: AR of MA Exercise 3: Orde van aardbevingen Exercise 4: Introductie tot AIC en BIC Exercise 5: Zoeken naar de modelorde Exercise 6: Orden kiezen met AIC en BIC Exercise 7: AIC en BIC vs ACF en PACF Exercise 8: Modeldiagnostiek Exercise 9: Mean absolute error Exercise 10: Diagnostische samenvattingsstatistieken Exercise 11: Diagnostische plots Exercise 12: Box-Jenkins-methode Exercise 13: Identificatie Exercise 14: Identificatie II Exercise 15: Schatting Exercise 16: Diagnostiek

In dit laatste hoofdstuk leer je seizoensgebonden ARIMA-modellen gebruiken om complexere data te fitten. Je leert hoe je deze data opsplitst in seizoensgebonden en niet-seizoensgebonden delen, en vervolgens krijg je de kans om al je ARIMA-tools toe te passen in één laatste wereldwijde voorspeluitdaging.

Exercise 1: Seizoensgebonden tijdreeksen Exercise 2: Seizoensdecompositie Exercise 3: Seizoens-ACF en -PACF Exercise 4: SARIMA-modellen Exercise 5: SARIMA-modellen fitten Exercise 6: SARIMA-orde kiezen Exercise 7: SARIMA- versus ARIMA-voorspellingen Exercise 8: Automatiseren en opslaan Exercise 9: Geautomatiseerde modelselectie Exercise 10: Modellen opslaan en bijwerken Exercise 11: SARIMA en Box-Jenkins Exercise 12: Multiplicatieve vs. additieve seizoensinvloeden Exercise 13: Diagnostiek van het SARIMA-model Exercise 14: SARIMA-voorspelling Exercise 15: Gefeliciteerd!