Оценка и прогнозирование модели AR

Анализ временных рядов на Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Оценка модели AR

Оценка параметров по данным (смоделированным)

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

ARMA устарела и заменена на ARIMA

from statsmodels.tsa.arima.model import ARIMA
mod = ARIMA(data, order=(1,0,0))
result = mod.fit()

Для ARMA: order=(p,q)
Для ARIMA: order=(p,d,q)

Оценка модели AR

Полный вывод (истинные $\large \mu=0$ и $\large \phi=0.9$)
```
print(result.summary())
```

Оценка модели AR

Только оценки $\large \mu$ и $\large \phi$ (истинные $\large \mu=0$ и $\large \phi=0.9$)
```
print(result.params)
```

array([-0.03605989,  0.90535667])

Прогнозирование с помощью модели AR

from statsmodels.graphics.tsaplots import plot_predict
fig, ax = plt.subplots()
data.plot(ax=ax)
plot_predict(result, start='2012-09-27', end='2012-10-06', alpha=0.05, ax=ax)
plt.show()

Аргументы функции plot_predict()
- Первый аргумент — обученная модель
- alpha=None — без доверительного интервала
- ax=ax — данные и прогноз на одних осях

Давайте потренируемся!

Анализ временных рядов на Python