Порядок модели

При работе с моделями AR, MA и ARMA очень важно понимать порядок модели. Вам нужно будет выбирать порядок при подгонке модели. Правильный выбор обеспечит более точную подгонку и качественные прогнозы. В этом разделе вы потренируетесь работать с порядком модели.

Это упражнение является частью курса

Модели ARIMA в Python

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Модели ARIMA в Python

SkillTag.level.advancedSkillTag.label

4.9+

Начать курс бесплатно

Погружайтесь сразу и изучайте важнейшие свойства временных рядов. Вы узнаете о стационарности и о том, почему она важна для моделей ARMA. Вы научитесь проверять стационарность визуально и с помощью стандартного статистического теста. Наконец, вы познакомитесь с базовой структурой моделей ARMA, используете её для генерации данных ARMA и подгонки модели.

Exercise 1: Введение в временные ряды и стационарность Exercise 2: Исследование данных Exercise 3: Разбивка на обучающую и тестовую выборки Exercise 4: Стационарна ли временной ряд?Exercise 5: Приведение временного ряда к стационарному виду Exercise 6: Расширенный тест Дики–Фуллера Exercise 7: Взятие разности Exercise 8: Другие преобразования Exercise 9: Введение в модели AR, MA и ARMA Exercise 10: Порядок модели

Текущее упражнение

Exercise 11: Генерация данных ARMA Exercise 12: Первые шаги к обучению модели

В этой главе вы займётесь прогнозированием того, что ждёт ваши данные впереди. Вы научитесь использовать пакет statsmodels для подгонки моделей ARMA, ARIMA и ARMAX, а затем применять эти модели для предсказания неопределённого будущего цен на акции.

Exercise 1: Подбор моделей временных рядов Exercise 2: Подгонка моделей AR и MA Exercise 3: Обучение модели ARMA Exercise 4: Обучение модели ARMAX Exercise 5: Прогнозирование Exercise 6: Построение пошаговых прогнозов Exercise 7: Визуализация пошаговых прогнозов Exercise 8: Построение динамических прогнозов Exercise 9: Визуализация динамических прогнозов Exercise 10: Введение в модели ARIMA Exercise 11: Дифференцирование и подгонка модели ARMA Exercise 12: Восстановление абсолютных значений из прогноза ARMA Exercise 13: Подгонка модели ARIMA Exercise 14: Выбор модели ARIMA

В этой главе вы научитесь строить модели с умом и разборчивостью. Сначала вы узнаете, как определять подходящие порядки моделей непосредственно по данным, а затем — как выбрать наилучшую модель из набора обученных кандидатов. Кроме того, вы освоите удобный фреймворк для структурирования проектов по анализу временных рядов.

Exercise 1: Введение в ACF и PACF Exercise 2: AR или MA Exercise 3: Порядок модели для землетрясений Exercise 4: Введение в AIC и BIC Exercise 5: Перебор порядков модели Exercise 6: Выбор порядка модели с помощью AIC и BIC Exercise 7: AIC и BIC против ACF и PACF Exercise 8: Диагностика модели Exercise 9: Средняя абсолютная ошибка Exercise 10: Сводная диагностическая статистика Exercise 11: Диагностические графики Exercise 12: Метод Бокса–Дженкинса Exercise 13: Идентификация Exercise 14: Идентификация II Exercise 15: Оценка Exercise 16: Диагностика

В этой заключительной главе вы узнаете, как применять сезонные модели ARIMA для работы с более сложными данными. Вы научитесь разбивать данные на сезонную и несезонную составляющие, а затем используете все освоенные инструменты ARIMA в финальном задании по глобальному прогнозированию.

Exercise 1: Сезонные временные ряды Exercise 2: Сезонная декомпозиция Exercise 3: Сезонные ACF и PACF Exercise 4: Модели SARIMA Exercise 5: Обучение моделей SARIMA Exercise 6: Выбор порядка модели SARIMA Exercise 7: Сравнение прогнозов SARIMA и ARIMA Exercise 8: Автоматизация и сохранение Exercise 9: Автоматический выбор модели Exercise 10: Сохранение и обновление моделей Exercise 11: SARIMA и метод Бокса–Дженкинса Exercise 12: Мультипликативная и аддитивная сезонность Exercise 13: Диагностика модели SARIMA Exercise 14: Прогноз SARIMA Exercise 15: Поздравляем!