选择合适的模型

Python 中的时间序列分析

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

识别 AR 模型的阶数

AR(p) 模型的阶数通常未知
确定阶数的两种方法
- 偏自相关函数（PACF）
- 信息准则

偏自相关函数（PACF）

在 Python 中绘制 PACF

与 ACF 类似，但使用 plot_pacf 而非 plt_acf

导入模块

from statsmodels.graphics.tsaplots import plot_pacf

绘制 PACF
```
plot_pacf(x, lags= 20, alpha=0.05)
```

不同 AR 模型的 PACF 对比

AR(1)
AR(3)

AR(2)
白噪声

信息准则

信息准则：将拟合优度按参数个数进行调整
两个常用的调整后拟合优度指标
- AIC（赤池信息准则）
- BIC（贝叶斯信息准则）

信息准则

估计输出

在 statsmodels 中获取信息准则

之前已学习如何拟合 AR 模型

from statsmodels.tsa.arima_model import ARIMA
mod = ARIMA(simulated_data, order=(1,0))
result = mod.fit()

获取完整输出
```
result.summary()
```
或仅获取参数
```
result.params
```
获取 AIC 与 BIC
```
result.aic
result.bic
```

信息准则

将模拟的 AR(3) 与不同 AR(p) 模型拟合
选择 BIC 最小的 p 值

Passons à la pratique !

Python 中的时间序列分析

Preparing Video For Download...