Estimation et prévision d'un modèle AR

Analyse des séries chronologiques en Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Estimer un modèle AR

Estimer des paramètres à partir de données (simulées)

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

ARMA est obsolète et remplacé par ARIMA

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

Pour ARMA, order=(p,q)
Pour ARIMA, order=(p,d,q)

Estimer un modèle AR

Sortie complète (vrais $\large \mu=0$ et $\large \phi=0{,}9$)
```
print(result.summary())
```

Estimer un modèle AR

Uniquement les estimés de $\large \mu$ et $\large \phi$ (vrais $\large \mu=0$ et $\large \phi=0{,}9$)
```
print(result.params)
```

array([-0.03605989,  0.90535667])

Prévoir avec un modèle 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()

Arguments de la fonction plot_predict()
- Le premier argument est le modèle ajusté
- Mettre alpha=None pour aucun intervalle de confiance
- Mettre ax=ax pour tracer les données et la prévision sur les mêmes axes

Passons à la pratique !

Analyse des séries chronologiques en Python