Chuỗi có dừng (stationary) không

Xác định một chuỗi thời gian là dừng hay không dừng rất quan trọng. Nếu chuỗi dừng, bạn có thể dùng mô hình ARMA để dự đoán các giá trị tiếp theo. Nếu không dừng, bạn không thể dùng ARMA; tuy nhiên, như bạn sẽ thấy ở bài học tiếp theo, ta thường có thể biến đổi chuỗi không dừng thành chuỗi dừng.

Trong bài tập này, bạn sẽ xem xét một số dữ liệu cổ phiếu và động đất để xác định bộ nào sẵn sàng cho mô hình ARMA, và bộ nào cần xử lý thêm để trở thành dừng.

Bài tập này là một phần của khóa học

Mô hình ARIMA với Python

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Mô hình ARIMA với Python

SkillTag.level.advancedSkillTag.label

4.9+

Bắt đầu khóa học miễn phí

Bắt đầu ngay và tìm hiểu các đặc tính quan trọng nhất của chuỗi thời gian. Bạn sẽ học về tính dừng và vì sao điều này quan trọng với các mô hình ARMA. Bạn sẽ học cách kiểm tra tính dừng bằng trực quan và bằng một kiểm định thống kê tiêu chuẩn. Cuối cùng, bạn sẽ học cấu trúc cơ bản của mô hình ARMA, dùng nó để sinh dữ liệu ARMA và khớp một mô hình ARMA.

Exercise 1: Giới thiệu về chuỗi thời gian và tính dừng Exercise 2: Khám phá Exercise 3: Chia tập train-test Exercise 4: Chuỗi có dừng (stationary) không

Bài tập hiện tại

Exercise 5: Làm cho chuỗi thời gian trở nên dừng Exercise 6: Kiểm định Augmented Dickey-Fuller Exercise 7: Lấy sai phân Exercise 8: Các phép biến đổi khác Exercise 9: Giới thiệu về các mô hình AR, MA và ARMA Exercise 10: Bậc mô hình Exercise 11: Tạo dữ liệu ARMA Exercise 12: Khởi động việc fit mô hình

Ở chương này, bạn sẽ dự đoán những gì sắp tới trong dữ liệu của mình. Bạn sẽ học cách dùng gói statsmodels linh hoạt để khớp các mô hình ARMA, ARIMA và ARMAX. Sau đó, bạn sẽ dùng các mô hình để dự báo tương lai đầy bất định của giá cổ phiếu!

Exercise 1: Ước lượng mô hình chuỗi thời gian Exercise 2: Ước lượng mô hình AR và MA Exercise 3: Khớp mô hình ARMA Exercise 4: Khớp mô hình ARMAX Exercise 5: Dự báo Exercise 6: Tạo dự báo một bước trước Exercise 7: Vẽ dự báo một bước tiếp theo Exercise 8: Tạo dự báo động Exercise 9: Vẽ dự báo động Exercise 10: Giới thiệu về mô hình ARIMA Exercise 11: Lấy sai phân và khớp ARMA Exercise 12: Mở cuộn dự báo ARMA Exercise 13: Fit mô hình ARIMA Exercise 14: Chọn mô hình ARIMA

Trong chương này, bạn sẽ trở thành một người xây dựng mô hình với gu chọn lọc. Bạn sẽ học cách xác định các bậc mô hình hứa hẹn ngay từ dữ liệu, rồi sau khi huấn luyện những mô hình triển vọng nhất, bạn sẽ học cách chọn mô hình tốt nhất từ nhóm đã khớp. Bạn cũng sẽ học một khung phương pháp tuyệt vời để cấu trúc các dự án chuỗi thời gian.

Exercise 1: Giới thiệu về ACF và PACF Exercise 2: AR hay MA Exercise 3: Bậc của chuỗi động đất Exercise 4: Giới thiệu về AIC và BIC Exercise 5: Tìm kiếm bậc mô hình Exercise 6: Chọn bậc bằng AIC và BIC Exercise 7: AIC và BIC so với ACF và PACF Exercise 8: Chẩn đoán mô hình Exercise 9: Sai số tuyệt đối trung bình Exercise 10: Thống kê tóm tắt cho chẩn đoán Exercise 11: Vẽ biểu đồ chẩn đoán Exercise 12: Phương pháp Box–Jenkins Exercise 13: Nhận diện Exercise 14: Nhận diện II Exercise 15: Ước lượng Exercise 16: Chẩn đoán

Ở chương cuối, bạn sẽ học cách dùng các mô hình ARIMA theo mùa để khớp dữ liệu phức tạp hơn. Bạn sẽ học cách phân tách dữ liệu này thành phần theo mùa và không theo mùa, rồi có cơ hội vận dụng toàn bộ công cụ ARIMA của mình trong một thử thách dự báo toàn cầu cuối cùng.

Exercise 1: Chuỗi thời gian theo mùa Exercise 2: Phân rã theo mùa Exercise 3: ACF và PACF theo mùa Exercise 4: Mô hình SARIMA Exercise 5: Ước lượng mô hình SARIMA Exercise 6: Chọn bậc SARIMA Exercise 7: So sánh dự báo SARIMA và ARIMA Exercise 8: Tự động hóa và lưu lại Exercise 9: Tự động chọn mô hình Exercise 10: Lưu và cập nhật mô hình Exercise 11: SARIMA và Box-Jenkins Exercise 12: Mùa vụ nhân so với mùa vụ cộng Exercise 13: Chẩn đoán mô hình SARIMA Exercise 14: Dự báo SARIMA Exercise 15: Chúc mừng bạn!