Porównaj model AR z błądzeniem losowym
Czasem trudno odróżnić szereg czasowy ze słabą tendencją do powrotu do średniej od szeregu, który w ogóle do niej nie wraca – jak błądzenie losowe. Porównasz funkcję ACF dla szeregu stóp procentowych ze słabą rewersją do średniej z poprzedniego ćwiczenia z zasymulowanym błądzeniem losowym o tej samej liczbie obserwacji.
Zwróć uwagę, że po narysowaniu autokorelacji obu szeregów obok siebie wyglądają one bardzo podobnie.
To ćwiczenie jest częścią kursu
Analiza szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj funkcję
plot_acfz modułustatsmodels - Utwórz dwie osie dla dwóch wykresów podrzędnych
- Na górnym wykresie narysuj funkcję autokorelacji dla 12 opóźnień szeregu stóp procentowych
interest_rate_data - Na dolnym wykresie narysuj funkcję autokorelacji dla 12 opóźnień szeregu
simulated_data
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Plot the interest rate series and the simulated random walk series side-by-side
fig, axes = plt.subplots(2,1)
# Plot the autocorrelation of the interest rate series in the top plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[0])
# Plot the autocorrelation of the simulated random walk series in the bottom plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[1])
# Label axes
axes[0].set_title("Interest Rate Data")
axes[1].set_title("Simulated Random Walk Data")
plt.show()