Узнайте, как использовать Python для анализа временных рядов

От цен акций до климатических данных — временные ряды можно найти в самых разных областях. Владение навыками эффективной работы с такими данными — это все более важный навык для специалистов по данным. Этот курс познакомит вас с анализом временных рядов в Python.

После того как вы узнаете, что такое временной ряд, вы познакомитесь с несколькими моделями временных рядов — от авторегрессионных и моделей скользящего среднего до моделей коинтеграции. По ходу курса вы узнаете, как оценивать, прогнозировать и моделировать эти модели с помощью статистических библиотек в Python.

Вы увидите множество примеров того, как используются эти модели, с особым акцентом на применении в финансах.

Узнайте, как использовать методы анализа временных рядов

Вы начнёте с изучения основ временных рядов, а также простой линейной регрессии. Вы изучите понятия корреляции и автокорреляции и то, как они применяются к данным временных рядов, а затем познакомитесь с некоторыми простыми моделями временных рядов, такими как белый шум и случайное блуждание. Далее вы узнаете, как авторегрессионные (AR) модели используются для временных рядов, чтобы прогнозировать текущие значения, и как модели скользящего среднего могут сочетаться с AR-моделями, создавая мощные модели ARMA.

Наконец, вы узнаете, как использовать модели коинтеграции для совместного моделирования двух рядов, а затем рассмотрите реальный кейс.

Изучите модели Python и библиотеки для анализа временных рядов К концу этого курса вы поймёте, как работает анализ временных рядов в Python. Вы познакомитесь с некоторыми моделями, методами и библиотеками, которые могут помочь вам в этом процессе, и будете знать, как выбрать подходящие для собственного анализа.

Этот курс является частью более широкого трека Time Series with Python, который включает пять курсов и поможет вам освоить этот навык в области data science.

Оценка и прогнозирование AR-модели

Create Your Free Account