Вибір порядку за AIC і BIC

Тепер, коли ви виконали пошук за багатьма порядками моделей, оцініть результати, щоб знайти найкращий порядок моделі.

Список кортежів (p,q, AIC value, BIC value), який ви створили в попередній вправі, order_aic_bic, доступний у вашому середовищі. pandas також імпортовано як pd.

Ця вправа є частиною курсу

Моделі ARIMA в Python

Переглянути курс

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Construct DataFrame from order_aic_bic
order_df = pd.DataFrame(____, 
                        columns=[____])

# Print order_df in order of increasing AIC
print(____)

# Print order_df in order of increasing BIC
print(____)

Редагувати та запускати код

Ця вправа є частиною курсу

Моделі ARIMA в Python

SkillTag.level.advancedSkillTag.label

4.9+

Почніть курс безкоштовно

Почнімо одразу й розберімося з найважливішими властивостями часових рядів. Ви дізнаєтеся про стаціонарність і чому вона важлива для моделей ARMA. Ви навчитеся перевіряти стаціонарність «на око» та стандартним статистичним тестом. Нарешті, ви засвоїте базову структуру моделей ARMA, згенеруєте дані ARMA та підігнати модель ARMA.

Exercise 1: Вступ до часових рядів і стаціонарності Exercise 2: Розвідка Exercise 3: Розбиття на train/test Exercise 4: Чи стаціонарний ряд Exercise 5: Зроблення часових рядів стаціонарними Exercise 6: Розширений тест Дікі — Фуллера Exercise 7: Взяття різниці Exercise 8: Інші перетворення Exercise 9: Вступ до моделей AR, MA та ARMA Exercise 10: Порядок моделі Exercise 11: Генерація даних ARMA Exercise 12: Початок підгонки

У цьому розділі на вас чекає прогнозування майбутнього у ваших даних. Ви навчитеся використовувати зручний пакет statsmodels для підгонки моделей ARMA, ARIMA та ARMAX. Потім застосуєте свої моделі, щоб спрогнозувати невизначене майбутнє цін акцій!

Exercise 1: Підганяння моделей часових рядів Exercise 2: Підгонка моделей AR та MA Exercise 3: Підбір моделі ARMA Exercise 4: Підбір моделі ARMAX Exercise 5: Прогнозування Exercise 6: Генерування прогнозів на один крок уперед Exercise 7: Побудова прогнозів на один крок уперед Exercise 8: Створення динамічних прогнозів Exercise 9: Побудова динамічних прогнозів Exercise 10: Вступ до моделей ARIMA Exercise 11: Різницювання та підгонка ARMA Exercise 12: Покрокове розгортання прогнозу ARMA Exercise 13: Підбір моделі ARIMA Exercise 14: Вибір моделі ARIMA

У цьому розділі ви станете вибагливим моделювальником. Ви навчитеся визначати перспективні порядки моделей безпосередньо з даних, а після навчання найперспективніших моделей — обирати найкращу з отриманого набору. Також ви засвоїте зручний підхід до структурування проєктів із часовими рядами.

Exercise 1: Вступ до ACF і PACF Exercise 2: AR чи MA Exercise 3: Порядок для землетрусів Exercise 4: Вступ до AIC і BIC Exercise 5: Пошук за порядками моделі Exercise 6: Вибір порядку за AIC і BIC

Поточна вправа

Exercise 7: AIC і BIC проти ACF і PACF Exercise 8: Діагностика моделі Exercise 9: Середня абсолютна помилка Exercise 10: Підсумкові діагностичні статистики Exercise 11: Діагностика графіками Exercise 12: Метод Бокса — Дженкінса Exercise 13: Ідентифікація Exercise 14: Ідентифікація II Exercise 15: Оцінювання Exercise 16: Діагностика

У фінальному розділі ви навчитеся використовувати сезонні моделі ARIMA для більш складних даних. Ви розкладете ці дані на сезонні та несезонні компоненти, а далі отримаєте нагоду застосувати всі свої інструменти ARIMA в останньому глобальному виклику з прогнозування.

Exercise 1: Сезонні часові ряди Exercise 2: Сезонне розкладання Exercise 3: Сезонні ACF і PACF Exercise 4: Моделі SARIMA Exercise 5: Підбір моделей SARIMA Exercise 6: Вибір порядку SARIMA Exercise 7: Прогнози SARIMA vs ARIMA Exercise 8: Автоматизація та збереження Exercise 9: Автоматизований вибір моделі Exercise 10: Збереження й оновлення моделей Exercise 11: SARIMA та метод Бокса — Дженкінса Exercise 12: Мультиплікативна vs адитивна сезонність Exercise 13: Діагностика моделі SARIMA Exercise 14: Прогноз SARIMA Exercise 15: Вітаємо!