Andra transformationer
Differensbildning bör vara den första transformationen du provar för att göra en tidsserie stationär. Men ibland är det inte det bästa alternativet.
Ett klassiskt sätt att transformera tidsserier för aktier är att beräkna logavkastningen. Den beräknas enligt följande: $$log\_return ( y_t ) = log \left( \frac{y_t}{y_{t-1}} \right)$$
Amazons aktietidsserie har redan laddats in åt dig som amazon. Du kan beräkna logavkastningen för denna DataFrame genom att ersätta:
- \(y_t \rightarrow\)
amazon - \(y_{t-1} \rightarrow\)
amazon.shift(1) - \(log() \rightarrow\)
np.log()
I den här övningen jämför du logavkastningstransformationen med förstadifferensen av Amazons aktietidsserie för att se vilken som bäst gör tidsserien stationär.
Den här övningen är en del av kursen
ARIMA-modeller i Python
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Calculate the first difference and drop the nans
amazon_diff = ____
amazon_diff = amazon_diff.dropna()
# Run test and print
result_diff = adfuller(amazon_diff['close'])
print(result_diff)