Lastige oefening: bereken de ACF

In het vorige hoofdstuk heb je autocorrelaties met één vertraging berekend. Vaak willen we de autocorrelatie over meerdere vertragingen zien. De kwartaalwinsten van H&R Block (tickersymbool HRB) zijn geplot, en je ziet de sterke cyclische patronen in de winst. Het overgrote deel van de winst valt in het kwartaal waarin de belastingaangiften moeten worden ingediend.

Je gaat de array met autocorrelaties berekenen voor de kwartaalwinsten van H&R Block, die vooraf is ingeladen in de DataFrame HRB. Plot daarna de autocorrelatiefunctie met de module plot_acf. Deze grafiek laat zien hoe de autocorrelatiefunctie eruitziet voor cyclische winstcijfers. De ACF bij lag=0 is natuurlijk altijd één. In de volgende oefening leer je over het betrouwbaarheidsinterval voor de ACF, maar onderdruk dat nu door alpha=1 in te stellen.

Deze oefening maakt deel uit van de cursus

Tijdreeksanalyse in Python

Cursus bekijken

Oefeninstructies

Importeer de module acf en de module plot_acf uit statsmodels.
Bereken de array met autocorrelaties van de kwartaalwinstgegevens in DataFrame HRB.
Plot de autocorrelatiefunctie van de kwartaalwinstgegevens in HRB en geef het argument alpha=1 door om het betrouwbaarheidsinterval te onderdrukken.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# 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()

Code bewerken en uitvoeren