Hàm tự tương quan

Phân tích chuỗi thời gian với Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Hàm tự tương quan

Autocorrelation Function (ACF): tự tương quan theo độ trễ
Bằng một tại độ trễ bằng không
Thông tin thú vị nằm ngoài độ trễ một

Ví dụ ACF 1: Hàm tự tương quan đơn giản

Có thể dùng hai giá trị cuối của chuỗi để dự báo

Ví dụ ACF 2: Lợi nhuận theo mùa

Lợi nhuận của H&R Block

ACF của H&R Block

Ví dụ ACF 3: Hữu ích cho chọn mô hình

Chọn mô hình

Vẽ ACF trong Python

Nhập mô-đun:

from statsmodels.graphics.tsaplots import plot_acf

Vẽ ACF:
```
plot_acf(x, lags= 20, alpha=0.05)
```

Khoảng tin cậy của ACF

Khoảng tin cậy của ACF

Tham số alpha đặt độ rộng khoảng tin cậy
Ví dụ: alpha=0.05
- Xác suất 5%: nếu tự tương quan thực bằng 0, giá trị ước lượng sẽ nằm ngoài dải xanh
Dải tin cậy rộng hơn khi:
- Alpha nhỏ hơn
- Ít quan sát hơn
Với một số giả định đơn giản, dải tin cậy 95% là $\pm 2/\sqrt{N}$
Nếu không muốn hiển thị dải trên biểu đồ, đặt alpha=1

Giá trị ACF thay cho biểu đồ

from statsmodels.tsa.stattools import acf
print(acf(x))

[ 1.         -0.6765505   0.34989905 -0.01629415 -0.02507013  0.01930354
 -0.03186545  0.01399904 -0.03518128  0.02063168 -0.02620646 -0.00509828
...
  0.07191516 -0.12211912  0.14514481 -0.09644228  0.05215882]

Cùng luyện tập nào!

Phân tích chuỗi thời gian với Python

Preparing Video For Download...