Zorlayıcı Egzersiz: ACF'yi Hesapla

Önceki bölümde, tek gecikme ile otokorelasyonları hesaplamıştın. Çoğu zaman ise birçok gecikme boyunca otokorelasyonu görmek isteriz. H&R Block’un (borsa kodu HRB) üç aylık kazançları çizildi ve kazançlardaki belirgin döngüselliği görebiliyorsun. Kazançların büyük çoğunluğu, vergilerin ödendiği çeyrekte gerçekleşiyor.

DataFrame HRB içinde önceden yüklenmiş H&R Block’un üç aylık kazançları için otokorelasyon dizisini hesaplayacaksın. Sonra, plot_acf modülünü kullanarak otokorelasyon fonksiyonunu çizeceksin. Bu grafik, döngüsel kazanç verileri için otokorelasyon fonksiyonunun nasıl göründüğünü gösterir. Elbette lag=0 için ACF her zaman birdir. Sonraki egzersizde ACF için güven aralığını öğreneceksin, ama şimdilik, alpha=1 ayarlayarak güven aralığını gizle.

Bu egzersiz

Python ile Zaman Serisi Analizi

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

statsmodels içinden acf modülünü ve plot_acf modülünü içe aktar.
DataFrame HRB içindeki üç aylık kazanç verilerinin otokorelasyon dizisini hesapla.
HRB içindeki üç aylık kazanç verilerinin otokorelasyon fonksiyonunu çiz ve güven aralığını gizlemek için alpha=1 argümanını geçir.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# 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()

Kodu Düzenle ve Çalıştır