Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
Aprende a utilizar Python para el Análisis de Series Temporales
Desde los precios de las acciones hasta los datos climáticos, puedes encontrar datos de series temporales en una gran variedad de ámbitos. Tener las habilidades para trabajar con esos datos de forma eficaz es una habilidad cada vez más importante para los científicos de datos. Este curso te introducirá en el análisis de series temporales en Python.Tras aprender qué es una serie temporal, explorarás varios modelos de series temporales, desde modelos autorregresivos y de medias móviles hasta modelos de cointegración. Por el camino, aprenderás a estimar, predecir y simular estos modelos utilizando bibliotecas estadísticas en Python.
Verás numerosos ejemplos de cómo se utilizan estos modelos, con especial énfasis en las aplicaciones en finanzas.
Descubre cómo utilizar los métodos de series temporales
Empezarás cubriendo los fundamentos de los datos de series temporales, así como la regresión lineal simple. Tratarás los conceptos de correlación y autocorrelación y cómo se aplican a los datos de series temporales, antes de explorar algunos modelos sencillos de series temporales, como el ruido blanco y el paseo aleatorio. A continuación, explorarás cómo se utilizan los modelos autorregresivos (AR) en los datos de series temporales para predecir los valores actuales y cómo los modelos de medias móviles pueden combinarse con los modelos AR para producir potentes modelos ARMA.Por último, verás cómo utilizar modelos de cointegración para modelizar dos series conjuntamente antes de estudiar un caso práctico real.
Explora los modelos y bibliotecas de Python para el análisis de series temporales Al final de este curso, comprenderás cómo funciona el análisis de series temporales en Python. Conocerás algunos de los modelos, métodos y bibliotecas que pueden ayudarte en el proceso y sabrás elegir los adecuados para tu propio análisis.
Este curso forma parte de un programa más amplio de Series Temporales con Python, que ofrece un conjunto de cinco cursos para ayudarte a dominar esta habilidad de la ciencia de datos.
Requisitos previos
Programa de formación
Esquema del curso
1
Correlación y autocorrelación
En este capítulo te presentaremos las ideas de correlación y autocorrelación en series temporales. La correlación describe la relación entre dos series temporales y la autocorrelación describe la relación de una serie temporal con sus valores pasados.
- Introducción al curso50 XP
- Una aplicación "ligera" de series temporales100 XP
- Fusión de series temporales con fechas diferentes100 XP
- Correlación de dos series temporales50 XP
- Correlación entre acciones y bonos100 XP
- Los platillos volantes no están correlacionados con los mercados al alza100 XP
- Regresión lineal simple50 XP
- Analizando el R-cuadrado de una regresión100 XP
- Relaciona la correlación con la salida de la regresión50 XP
- Autocorrelación50 XP
- Una estrategia popular usando autocorrelación100 XP
- ¿Están autocorrelados los tipos de interés?100 XP
2
Algunas series temporales sencillas
En este capítulo aprenderás algunos modelos sencillos de series temporales. Entre ellos se incluyen el ruido blanco y el paseo aleatorio.
3
Modelos autorregresivos (AR)
En este capítulo aprenderás sobre los modelos autorregresivos, o AR, para series temporales. Estos modelos usan valores pasados de la serie para predecir el valor actual.
4
Modelos de medias móviles (MA) y ARMA
En este capítulo aprenderás otro tipo de modelo: el de medias móviles, o MA. También verás cómo combinar modelos AR y MA en un potente modelo ARMA.
5
Juntándolo todo
Este capítulo te mostrará cómo modelar dos series conjuntamente usando modelos de cointegración. Para terminar, harás un estudio de caso con una serie temporal de datos de temperatura de la ciudad de Nueva York.
Análisis de series temporales en Python
Curso
completado
