Ćwiczenie podatkowe: oblicz ACF
W poprzednim rozdziale obliczałeś autokorelacje dla jednego opóźnienia. Często jednak interesuje nas autokorelacja dla wielu opóźnień naraz. Na wykresie przedstawiono kwartalne wyniki finansowe firmy H&R Block (symbol giełdowy HRB) – widać wyraźną cykliczność tych danych. Zdecydowana większość przychodów przypada na kwartał, w którym upływa termin składania zeznań podatkowych.
Obliczysz tablicę autokorelacji kwartalnych wyników H&R Block, wczytanych wcześniej do DataFrame HRB. Następnie wykreślisz funkcję autokorelacji za pomocą modułu plot_acf. Wykres pokaże, jak wygląda ACF dla danych o charakterze cyklicznym. ACF przy lag=0 wynosi zawsze jeden. W następnym ćwiczeniu dowiesz się więcej o przedziałach ufności dla ACF – na razie wyłącz ich wyświetlanie, ustawiając alpha=1.
To ćwiczenie jest częścią kursu
Analiza szeregów czasowych w Pythonie
Instrukcje do ćwiczenia
- Zaimportuj moduły
acfiplot_acfze statsmodels. - Oblicz tablicę autokorelacji kwartalnych danych finansowych z DataFrame
HRB. - Wykreśl funkcję autokorelacji dla kwartalnych danych z
HRBi przekaż argumentalpha=1, aby ukryć przedział ufności.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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()