Zastosowanie modelu MA
Odbijanie się ceny akcji między kursem kupna a kursem sprzedaży powoduje ujemną autokorelację pierwszego rzędu, ale brak autokorelacji przy opóźnieniach wyższych niż 1. Ten sam wzorzec ACF daje model MA(1). Dlatego dopasujemy model MA(1) do śróddziennych danych giełdowych z poprzedniego ćwiczenia.
Pierwszym krokiem jest obliczenie zwrotów z minuty na minutę na podstawie cen z intraday i wykreślenie funkcji autokorelacji. Powinien być widoczny wzorzec ACF charakterystyczny dla procesu MA(1). Następnie dopasuj dane do modelu MA(1) – tak samo jak w przypadku danych symulowanych.
To ćwiczenie jest częścią kursu
Analiza szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj moduły
plot_acfiARIMAze statsmodels - Oblicz zwroty z minuty na minutę na podstawie cen:
- Oblicz zwroty metodą
.pct_change() - Użyj metody pandas
.dropna(), aby usunąć pierwszy wiersz zwrotów, który ma wartość NaN
- Oblicz zwroty metodą
- Wykreśl funkcję ACF z opóźnieniami do 60 minut
- Dopasuj dane zwrotów do modelu MA(1) i wyświetl parametr MA(1)
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Import plot_acf and ARIMA modules from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
from statsmodels.tsa.arima.model import ARIMA
# Compute returns from prices and drop the NaN
returns = intraday.___
returns = returns.___
# Plot ACF of returns with lags up to 60 minutes
plot_acf(___, ___)
plt.show()
# Fit the data to an MA(1) model
mod = ARIMA(___, order=(0,0,1))
res = mod.fit()
print(res.params[1])