ARIMA modeli seçimi

Fark alma derecelerini deneyip farklanmış veride Augmented Dickey-Fuller testini uyguladıktan sonra, hangi ARIMA modelinin veri kümesine en iyi uyacağına karar vermeye çalışıyorsun. Test istatistikleri şöyle:

Fark alma derecesi	ADF istatistiği	p-değeri
0	2.198	0.999
1	-2.598	0.093
2	-14.448	0.000
3	-17.147	0.000

Bu zaman serisi verisine hangi tür ARIMA modelini uydurmalısın?

Bu egzersiz, kursun bir parçasıdır

Python'da ARIMA Modelleri

Kursa Göz Atın

Uygulamalı etkileşimli egzersiz

Teoriyi etkileşime dönüştürün, interaktif egzersizlerimizden biriyle

Egzersize başla

Bu egzersiz, kursun bir parçasıdır

Python'da ARIMA Modelleri

AvançadoNível de habilidade

4.9+

Kursa Ücretsiz Başla

Doğrudan dal ve zaman serilerinin en önemli özelliklerini öğren. Durağanlığı ve bunun ARMA modelleri için neden önemli olduğunu keşfedeceksin. Durağanlığı hem gözle hem de standart bir istatistiksel test ile nasıl sınayacağını göreceksin. Son olarak, ARMA modellerinin temel yapısını öğrenecek, bunu kullanarak bazı ARMA verileri oluşturacak ve bir ARMA modeli uyduracaksın.

Exercise 1: Zaman serilerine ve durağanlığa giriş Exercise 2: Keşif Exercise 3: Eğitim-test ayrımları Exercise 4: Durağan mı?Exercise 5: Zaman serilerini durağan hâle getirme Exercise 6: Genişletilmiş Dickey-Fuller Exercise 7: Fark alma Exercise 8: Diğer dönüşümler Exercise 9: AR, MA ve ARMA modellere giriş Exercise 10: Model derecesi Exercise 11: ARMA verisi üretme Exercise 12: Uydurmaya Giriş

Bu bölümde seni bekleyen şey, verilerinde seni bekleyeni tahmin etmek! statsmodels paketini kullanarak ARMA, ARIMA ve ARMAX modellerini zarifçe nasıl uyduracağını öğreneceksin. Ardından, modellerini kullanarak hisse senedi fiyatlarının belirsiz geleceğini tahmin edeceksin!

Exercise 1: Zaman serisi modellerini uydurma Exercise 2: AR ve MA modellerini uydurma Exercise 3: Bir ARMA modeli uydurma Exercise 4: Bir ARMAX modeli uydurma Exercise 5: Tahminleme Exercise 6: Bir adım ileriden tahminler üretme Exercise 7: Bir adım ilerisi tahminlerini görselleştirme Exercise 8: Dinamik tahminler üretme Exercise 9: Dinamik tahminleri görselleştirme Exercise 10: ARIMA modellere giriş Exercise 11: Fark alma ve ARMA uydurma Exercise 12: ARMA tahminini açmak Exercise 13: Bir ARIMA modeli uyarlama Exercise 14: ARIMA modeli seçimi

Geçerli egzersiz

Bu bölümde seçici zevke sahip bir modelleyici olacaksın. Verinin kendisinden umut vadeden model derecelerini nasıl belirleyeceğini, sonra da en umut verici modeller eğitildikten sonra bu seçenekler arasından en iyi modeli nasıl seçeceğini öğreneceksin. Ayrıca zaman serisi projelerini yapılandırmak için harika bir çerçeve de öğreneceksin.

Exercise 1: ACF ve PACF'ye Giriş Exercise 2: AR mı yoksa MA mı Exercise 3: Depremlerin mertebesi Exercise 4: AIC ve BIC’e Giriş Exercise 5: Model derecesi üzerinde arama Exercise 6: AIC ve BIC ile derece seçimi Exercise 7: AIC ve BIC vs ACF ve PACF Exercise 8: Model tanılaması Exercise 9: Ortalama mutlak hata Exercise 10: Tanısal özet istatistikleri Exercise 11: Teşhis grafikleri Exercise 12: Box-Jenkins yöntemi Exercise 13: Tanımlama Exercise 14: Tanımlama II Exercise 15: Tahmin Exercise 16: Teşhis

Bu son bölümde, daha karmaşık verileri uydurmak için mevsimsel ARIMA modellerini kullanmayı öğreneceksin. Bu veriyi mevsimsel ve mevsimsel olmayan parçalara nasıl ayıracağını görecek ve ardından tüm ARIMA araçlarını son bir küresel tahmin meydan okumasında kullanma şansı bulacaksın.

Exercise 1: Mevsimsel zaman serileri Exercise 2: Mevsimsel ayrıştırma Exercise 3: Mevsimsel ACF ve PACF Exercise 4: SARIMA modelleri Exercise 5: SARIMA modellerini uydurma Exercise 6: SARIMA derecesini seçme Exercise 7: SARIMA ve ARIMA tahminleri Exercise 8: Otomasyon ve kaydetme Exercise 9: Otomatik model seçimi Exercise 10: Modelleri kaydetme ve güncelleme Exercise 11: SARIMA ve Box-Jenkins Exercise 12: Çarpımsal vs toplamsal mevsimsellik Exercise 13: SARIMA model tanılaması Exercise 14: SARIMA tahmini Exercise 15: Tebrikler!