Leer hoe je Python kunt gebruiken voor tijdreeksanalyse

Van aandelenkoersen tot klimaatgegevens, je kunt tijdreeksgegevens vinden in allerlei verschillende domeinen. De vaardigheden hebben om effectief met dergelijke gegevens te werken, wordt steeds belangrijker voor datawetenschappers. Deze cursus laat je kennismaken met tijdreeksanalyse in Python.

Nadat je hebt geleerd wat een tijdreeks is, ga je verschillende tijdreeksmodellen bekijken, van autoregressieve en voortschrijdende gemiddelde modellen tot co-integratiemodellen. Onderweg leer je hoe je deze modellen kunt schatten, voorspellen en simuleren met behulp van statistische bibliotheken in Python.

Je ziet veel voorbeelden van hoe deze modellen worden gebruikt, vooral in de financiële wereld.

Ontdek hoe je tijdreeksmethoden kunt gebruiken

Je begint met de basis van tijdreeksgegevens en simpele lineaire regressie. Je leert over correlatie en autocorrelatie en hoe die werken met tijdreeksgegevens, voordat je een paar simpele tijdreeksmodellen bekijkt, zoals witte ruis en een random walk. Vervolgens ga je kijken hoe autoregressieve (AR) modellen worden gebruikt voor tijdreeksgegevens om huidige waarden te voorspellen en hoe modellen met voortschrijdend gemiddelden kunnen worden gecombineerd met AR-modellen om krachtige ARMA-modellen te maken.

Tot slot ga je kijken hoe je co-integratiemodellen kunt gebruiken om twee reeksen samen te modelleren, voordat je een praktijkvoorbeeld bekijkt.

Ontdek Python-modellen en -bibliotheken voor tijdreeksanalyse Aan het einde van deze cursus snap je hoe tijdreeksanalyse in Python werkt. Je leert over een paar modellen, methodes en bibliotheken die je kunnen helpen bij het proces en je leert hoe je de juiste kunt kiezen voor je eigen analyse.

Deze cursus is onderdeel van een grotere reeks cursussen over tijdreeksen met Python, die uit vijf cursussen bestaat om je te helpen deze datawetenschappelijke vaardigheid onder de knie te krijgen.

Koppel AR-model aan ACF

Tijdreeksanalyse in Python

Praktische interactieve oefening