Att välja rätt modell

Tidsserieanalys i Python

Rob Reider

Adjunct Professor, NYU-Courant Consultant, Quantopian

Identifiera ordningen för en AR-modell

  • Ordningen för en AR(p)-modell är oftast okänd
  • Två tekniker för att bestämma ordningen
    • Partiell autokorrelationsfunktion
    • Informationskriterier
Tidsserieanalys i Python

Partiell autokorrelationsfunktion (PACF)

Tidsserieanalys i Python

Rita PACF i Python

  • Som ACF, men använd plot_pacf i stället för plt_acf
  • Importera modulen
    from statsmodels.graphics.tsaplots import plot_pacf
  • Rita PACF
    plot_pacf(x, lags= 20, alpha=0.05)
Tidsserieanalys i Python

Jämförelse av PACF för olika AR-modeller

  • AR(1)

  • AR(3)

  • AR(2)

  • Vitt brus

Tidsserieanalys i Python

Informationskriterier

  • Informationskriterier: justerar anpassningskvalitet för antal parametrar
  • Två vanliga justerade anpassningsmått
    • AIC (Akaike Information Criterion)
    • BIC (Bayesian Information Criterion)
Tidsserieanalys i Python

Informationskriterier

  • Skattningsresultat
Tidsserieanalys i Python

Hämta informationskriterier från statsmodels

  • Du lärde dig tidigare att anpassa en AR-modell
    from statsmodels.tsa.arima_model import ARIMA
mod = ARIMA(simulated_data, order=(1,0))
result = mod.fit()
  • Och att få fullständig utdata
    result.summary()
  • Eller bara parametrarna
    result.params
  • För att hämta AIC och BIC
    result.aic
result.bic
Tidsserieanalys i Python

Informationskriterier

  • Anpassa simulerade AR(3)-data till olika AR(p)-modeller
  • Välj p med lägst BIC
Tidsserieanalys i Python

Nu kör vi en övning!

Tidsserieanalys i Python

Preparing Video For Download...