In this chapter you'll be introduced to the ideas of correlation and autocorrelation for time series. Correlation describes the relationship between two time series and autocorrelation describes the relationship of a time series with its past values.

Introductie van de cursus

Een "dunne" toepassing van tijdreeksen

Tijdreeksen met verschillende datums samenvoegen

Correlatie tussen twee tijdreeksen

Correlatie tussen aandelen en obligaties

Vliegende schotels zijn niet gecorreleerd met vliegende markten

Eenvoudige lineaire regressie

Kijken naar de R-kwadraat van een regressie

Koppel correlatie aan regressieresultaat

Autocorrelatie

Een populaire strategie met autocorrelatie

Zijn rentevoeten autocorreleerd?

Correlation and Autocorrelation

In this chapter you'll learn about some simple time series models. These include white noise and a random walk.

Autocorrelation Function

Taxing Exercise: Compute the ACF

Are We Confident This Stock is Mean Reverting?

White Noise

Can't Forecast White Noise

Random Walk

Generate a Random Walk

Get the Drift

Are Stock Prices a Random Walk?

How About Stock Returns?

Stationarity

Is it Stationary?

Seasonal Adjustment During Tax Season

Some Simple Time Series

In this chapter you'll learn about autoregressive, or AR, models for time series. These models use past values of the series to predict the current value.

Describe AR Model

Simulate AR(1) Time Series

Compare the ACF for Several AR Time Series

Match AR Model with ACF

Estimating and Forecasting AR Model

Estimating an AR Model

Forecasting with an AR Model

Let's Forecast Interest Rates

Compare AR Model with Random Walk

Choosing the Right Model

Estimate Order of Model: PACF

Estimate Order of Model: Information Criteria

Autoregressive (AR) Models

In this chapter you'll learn about another kind of model, the moving average, or MA, model. You will also see how to combine AR and MA models into a powerful ARMA model.

Describe Model

Simulate MA(1) Time Series

Compute the ACF for Several MA Time Series

Match ACF with MA Model

Estimation and Forecasting an MA Model

Estimating an MA Model

Forecasting with MA Model

ARMA models

High Frequency Stock Prices

More Data Cleaning: Missing Data

Applying an MA Model

Equivalence of AR(1) and MA(infinity)

Moving Average (MA) and ARMA Models

This chapter will show you how to model two series jointly using cointegration models. Then you'll wrap up with a case study where you look at a time series of temperature data from New York City.

Cointegration Models

A Dog on a Leash? (Part 1)

A Dog on a Leash? (Part 2)

Are Bitcoin and Ethereum Cointegrated?

Case Study: Climate Change

Is Temperature a Random Walk (with Drift)?

Getting "Warmed" Up: Look at Autocorrelations

Which ARMA Model is Best?

Don't Throw Out That Winter Coat Yet

Congratulations

Putting It All Together

Financial time series datasets

UFO sightings

New York temperature data

Van aandelenkoersen tot klimaatdata: tijdreeksen komen in allerlei domeinen voor, en er effectief mee kunnen werken is een steeds belangrijkere vaardigheid voor data scientists. In deze cursus maak je kennis met tijdreeksanalyse in Python. Nadat je hebt geleerd wat een tijdreeks is, maak je kennis met verschillende tijdreeksmodellen, van autoregressieve en moving average-modellen tot kointegratiemodellen. Onderweg leer je hoe je deze modellen kunt schatten, voorspellen en simuleren met statistische bibliotheken in Python. Je ziet tal van voorbeelden van hoe deze modellen worden toegepast, met extra aandacht voor toepassingen in de financiële wereld.

<h2>Leer hoe je Python kunt gebruiken voor tijdreeksanalyse </h2>
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.
<br><br>
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. 
<br><br>
Je ziet veel voorbeelden van hoe deze modellen worden gebruikt, vooral in de financiële wereld.
<br><br>
<h2>Ontdek hoe je tijdreeksmethoden kunt gebruiken </h2>
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. 
<br><br>
Tot slot ga je kijken hoe je co-integratiemodellen kunt gebruiken om twee reeksen samen te modelleren, voordat je een praktijkvoorbeeld bekijkt. 
<br><br>
</h2>Ontdek Python-modellen en -bibliotheken voor tijdreeksanalyse</h2>
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. 
<br><br>
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. 


Manipulating Time Series Data in Python

Leer de basis van tijdreeksanalyse in Python met modellen zoals autoregressief en voortschrijdend gemiddelde.

Tijdreeksanalyse in Python

In deze vier uur durende cursus leer je de basis van het analyseren van tijdreeksgegevens in Python.

Correlatie tussen twee tijdreeksen

Create Your Free Account