無法預測 White Noise
白噪音（white noise）時間序列就是一串彼此不相關且同分配的隨機變數。股票報酬常被建模為白噪音。不幸的是，對白噪音而言，我們無法根據過去來預測未來的觀測值——所有落後期的自相關都為 0。
你將產生一個白噪音序列，並繪製自相關函數來顯示在所有落後期都為 0。你可以使用 np.random.normal() 產生隨機報酬。對高斯白噪音流程而言，平均數與標準差即可描述整個流程。
先把這個白噪音序列畫出來看看長什麼樣子，然後再繪製自相關函數。
本練習屬於課程
Python 中的時間序列分析
練習說明
- 使用
np.random.normal()產生 1000 筆常態分佈的隨機報酬，平均數 2%（0.02）、標準差 5%（0.05），其中平均數用參數loc，標準差用參數scale。 - 使用
np.mean()與np.std()驗證報酬的平均數與標準差。 - 繪製時間序列圖。
- 使用
plot_acf並設定lags=20繪製自相關函數。
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。
# Import the plot_acf module from statsmodels
from statsmodels.graphics.tsaplots import plot_acf
# Simulate white noise returns
returns = np.random.normal(loc=___, scale=___, size=___)
# Print out the mean and standard deviation of returns
mean = np.mean(___)
std = np.std(___)
print("The mean is %5.3f and the standard deviation is %5.3f" %(mean,std))
# Plot returns series
plt.plot(___)
plt.show()
# Plot autocorrelation function of white noise returns
plot_acf(___, lags=___)
plt.show()