Обтяжлива вправа: обчисліть ACF

У попередньому розділі ви обчислювали автокореляції з одним лагом. Часто нас цікавить автокореляція на багатьох лагах. На графіку зображено квартальні прибутки H&R Block (тикер HRB), і ви можете побачити виразну циклічність цих прибутків. Переважна більшість прибутку припадає на квартал, коли сплачують податки.

Ви обчислите масив автокореляцій для квартальних прибутків H&R Block, які завантажено в датафрейм HRB. Потім побудуєте автокореляційну функцію за допомогою модуля plot_acf. Цей графік показує, як виглядає автокореляційна функція для циклічних даних прибутків. Значення ACF за lag=0 завжди дорівнює одиниці. У наступній вправі ви дізнаєтеся про довірчий інтервал для ACF, а поки вимкніть його, установивши alpha=1.

Ця вправа є частиною курсу

Аналіз часових рядів у Python

Переглянути курс

Інструкції до вправи

Імпортуйте модуль acf та модуль plot_acf зі statsmodels.
Обчисліть масив автокореляцій для квартальних прибутків у датафреймі HRB.
Побудуйте автокореляційну функцію квартальних прибутків у HRB і передайте аргумент alpha=1, щоб вимкнути довірчий інтервал.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код