Dowiedz się, jak używać Pythona do analizy szeregów czasowych

Od cen akcji po dane klimatyczne, dane szeregów czasowych można znaleźć w wielu różnych dziedzinach. Posiadanie umiejętności efektywnej pracy z takimi danymi staje się coraz ważniejszą kompetencją dla data scientistów. Ten kurs wprowadzi Cię do analizy szeregów czasowych w Pythonie.

Po zapoznaniu się z tym, czym jest szereg czasowy, poznasz kilka modeli szeregów czasowych — od modeli autoregresyjnych i średniej ruchomej po modele kointegracji. Po drodze nauczysz się, jak szacować, prognozować i symulować te modele za pomocą bibliotek statystycznych w Pythonie.

Zobaczysz wiele przykładów zastosowania tych modeli, ze szczególnym naciskiem na zastosowania w finansach.

Odkryj, jak korzystać z metod szeregów czasowych

Zaczniesz od omówienia podstaw danych szeregów czasowych, a także prostej regresji liniowej. Poznasz pojęcia korelacji i autokorelacji oraz to, jak odnoszą się do danych szeregów czasowych, a następnie przyjrzysz się prostym modelom szeregów czasowych, takim jak biały szum i błądzenie losowe. Następnie poznasz, jak modele autoregresyjne (AR) są wykorzystywane do danych szeregów czasowych, aby przewidywać bieżące wartości, oraz jak modele średniej ruchomej mogą łączyć się z modelami AR, tworząc potężne modele ARMA.

Na koniec przyjrzysz się temu, jak wykorzystywać modele kointegracji do wspólnego modelowania dwóch szeregów, a następnie przejrzysz rzeczywiste studium przypadku.

Poznaj modele i biblioteki Pythona do analizy szeregów czasowych Pod koniec tego kursu zrozumiesz, jak działa analiza szeregów czasowych w Pythonie. Poznasz niektóre modele, metody i biblioteki, które mogą pomóc Ci w tym procesie, oraz dowiesz się, jak wybrać odpowiednie do własnej analizy.

Ten kurs jest częścią szerszej ścieżki Time Series with Python, która obejmuje zestaw pięciu kursów, pomagających Ci opanować tę umiejętność data science.

Dopasuj model AR do ACF

Analiza szeregów czasowych w Pythonie

Interaktywne ćwiczenie praktyczne