动手练习：计算 ACF

在上一章中，您计算了 1 个滞后的自相关。我们通常希望查看多个滞后期的自相关。图中给出了 H&R Block（股票代码 HRB）按季度的收益，您可以看到其收益具有明显的周期性。其绝大部分收益都集中在报税截止的那个季度。

本练习中，您将计算已预加载到 DataFrame HRB 中的 H&R Block 季度收益的自相关数组。然后使用 plot_acf 模块绘制自相关函数。该图展示了周期性收益数据的自相关函数形态。lag=0 时的 ACF 当然始终为 1。下一练习您将学习 ACF 的置信区间，但现在请通过设置 alpha=1 来隐藏置信区间。

本练习是课程的一部分

Python 中的时间序列分析

查看课程

练习说明

从 statsmodels 导入 acf 模块和 plot_acf 模块。
计算 DataFrame HRB 中季度收益数据的自相关数组。
绘制 HRB 中季度收益数据的自相关函数，并传入参数 alpha=1 以隐藏置信区间。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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()

编辑并运行代码