Налоговое упражнение: вычисление ACF
В предыдущей главе вы вычисляли автокорреляции с одним лагом. Однако нередко бывает полезно рассмотреть автокорреляцию сразу для множества лагов. На графике показана квартальная прибыль компании H&R Block (тикер HRB) — и хорошо заметна ярко выраженная цикличность: подавляющая часть прибыли приходится на квартал, в котором наступает срок уплаты налогов.
Вы вычислите массив автокорреляций квартальной прибыли H&R Block, предварительно загруженной в DataFrame HRB. Затем постройте функцию автокорреляции с помощью модуля plot_acf. График наглядно покажет, как выглядит ACF для циклических данных о прибыли. Значение ACF при lag=0 всегда равно единице. В следующем упражнении вы познакомитесь с доверительным интервалом для ACF, а пока отключите его отображение, передав аргумент alpha=1.
Это упражнение является частью курса
Анализ временных рядов на Python
Инструкции к упражнению
- Импортируйте модули
acfиplot_acfиз библиотеки statsmodels. - Вычислите массив автокорреляций данных о квартальной прибыли из DataFrame
HRB. - Постройте функцию автокорреляции для данных о квартальной прибыли из
HRB, передав аргументalpha=1, чтобы скрыть доверительный интервал.
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
# 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()