其他轉換
在讓時間序列達到平穩時，差分通常是你應該先嘗試的轉換。不過，有時這並不是最佳選項。
處理股價時間序列的一個經典方法是使用對數報酬（log-return）。計算方式如下： $$log\_return ( y_t ) = log \left( \frac{y_t}{y_{t-1}} \right)$$
Amazon 的股價時間序列已載入為 amazon。你可以透過以下替換來計算此 DataFrame 的對數報酬：
- \(y_t \rightarrow\)
amazon - \(y_{t-1} \rightarrow\)
amazon.shift(1) - \(log() \rightarrow\)
np.log()
在這個練習中，你會比較對數報酬轉換與一階差分，看看哪一種更有助於讓 Amazon 的股價時間序列達到平穩。
本練習屬於課程
Python 中的 ARIMA 模型
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# Calculate the first difference and drop the nans
amazon_diff = ____
amazon_diff = amazon_diff.dropna()
# Run test and print
result_diff = adfuller(amazon_diff['close'])
print(result_diff)