Não é possível prever o ruído branco

Uma série temporal de ruído branco é simplesmente uma sequência de variáveis aleatórias não correlacionadas que são distribuídas de forma idêntica. Os retornos das ações geralmente são modelados como ruído branco. Infelizmente, no caso de ruído branco, não podemos prever observações futuras com base no passado - as autocorrelações em todas as defasagens são zero.

Você gerará uma série de ruído branco e plotará a função de autocorrelação para mostrar que ela é zero para todas as defasagens. Você pode usar o site np.random.normal() para gerar retornos aleatórios. Para um processo de ruído branco gaussiano, a média e o desvio padrão descrevem todo o processo.

Faça o gráfico dessa série de ruído branco para ver como ela se parece e, em seguida, faça o gráfico da função de autocorrelação.

Este exercício faz parte do curso

Análise de séries temporais em Python

Ver Curso

Instruções de exercício

Gere 1.000 retornos normais aleatórios usando np.random.normal() com média de 2% (0,02) e desvio padrão de 5% (0,05), em que o argumento para a média é loc e o argumento para o desvio padrão é scale.
Verifique a média e o desvio padrão dos retornos usando np.mean() e np.std().
Trace a série temporal.
Faça o gráfico da função de autocorrelação usando plot_acf com lags=20.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf

# Simulate white noise returns
returns = np.random.normal(loc=___, scale=___, size=___)

# Print out the mean and standard deviation of returns
mean = np.mean(___)
std = np.std(___)
print("The mean is %5.3f and the standard deviation is %5.3f" %(mean,std))

# Plot returns series
plt.plot(___)
plt.show()

# Plot autocorrelation function of white noise returns
plot_acf(___, lags=___)
plt.show()

Editar e executar código