Aplicação de um modelo MA
A oscilação do preço das ações entre a oferta e a demanda induz a uma autocorrelação negativa de primeira ordem, mas nenhuma autocorrelação em defasagens superiores a 1. Você obtém o mesmo padrão ACF com um modelo MA(1). Portanto, você ajustará um modelo MA(1) aos dados de ações intraday do último exercício.
A primeira etapa é computar os retornos minuto a minuto dos preços em intraday e traçar a função de autocorrelação. Você deve observar que o site ACF se parece com o de um processo MA(1). Em seguida, ajuste os dados a um MA(1), da mesma forma que você fez com os dados simulados.
Este exercício faz parte do curso
Análise de séries temporais em Python
Instruções de exercício
Importe os módulos
plot_acfeARIMAde statsmodelsCalcule os retornos minuto a minuto a partir dos preços:
Calcule os retornos com o método
.pct_change()Use o método pandas
.dropna()para eliminar a primeira linha de retornos, que é NaN
Trace a função ACF com defasagens de até 60 minutos
Ajuste os dados de retorno a um modelo MA(1) e imprima o parâmetro MA(1)
Exercício interativo prático
Experimente este exercício preenchendo este código de exemplo.
# 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])