Порівняйте модель AR із випадковим блуканням

Іноді складно відрізнити часовий ряд із помірним поверненням до середнього від ряду, який взагалі не повертається до середнього, як-от випадкове блукання. Ви порівняєте ACF для слабо середньо-рефлектуючого ряду процентних ставок із попередньої вправи з імітованим випадковим блуканням із такою самою кількістю спостережень.

Коли ви побудуєте автокореляцію цих двох рядів поруч, має бути помітно, що вони виглядають дуже схоже.

Ця вправа є частиною курсу

Аналіз часових рядів у Python

Переглянути курс

Інструкції до вправи

Імпортуйте функцію plot_acf з модуля statsmodels
Створіть дві осі для двох підграфіків
Побудуйте функцію автокореляції для 12 лагів ряду процентних ставок interest_rate_data на верхньому графіку
Побудуйте функцію автокореляції для 12 лагів ряду simulated_data на нижньому графіку

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf

# Plot the interest rate series and the simulated random walk series side-by-side
fig, axes = plt.subplots(2,1)

# Plot the autocorrelation of the interest rate series in the top plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[0])

# Plot the autocorrelation of the simulated random walk series in the bottom plot
fig = plot_acf(___, alpha=1, lags=12, ax=axes[1])

# Label axes
axes[0].set_title("Interest Rate Data")
axes[1].set_title("Simulated Random Walk Data")
plt.show()

Редагувати та запускати код