Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.¿Entrenar a 2 o más personas?Pruebe DataCamp para empresas
Preferido por estudiantes en miles de empresas
Descripción del curso
Desde los precios de las acciones hasta los datos climáticos, los datos de series temporales se encuentran en una gran variedad de ámbitos, y ser capaz de trabajar eficazmente con esos datos es una habilidad cada vez más importante para los científicos de datos. Este curso te introducirá en el análisis de series temporales en Python. Después de aprender qué es una serie temporal, conocerás varios modelos de series temporales que van desde los modelos autorregresivos y de medias móviles hasta los 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.
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Series temporales con Python
Ir a la pista- 1
Correlación y Autocorrelación
GratuitoEn este capítulo se te presentarán las ideas de correlación y autocorrelación de las 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 xpUna aplicación "fina" de las series temporales100 xpFusionar series temporales con fechas diferentes100 xpCorrelación de dos series temporales50 xpCorrelación de acciones y bonos100 xpLos platillos volantes no están relacionados con los mercados volantes100 xpRegresión lineal simple50 xpObservar el R-cuadrado de una regresión100 xpEmparejar la correlación con el resultado de la regresión50 xpAutocorrelation50 xpUna estrategia popular que utiliza la autocorrelación100 xp¿Están autocorrelacionados los tipos de interés?100 xp - 2
Algunas series temporales sencillas
En este capítulo aprenderás algunos modelos sencillos de series temporales. Entre ellos están el ruido blanco y el paseo aleatorio.
Autocorrelation Function50 xpEjercicio agotador: Calcula la ACF100 xp¿Estamos seguros de que este valor está invirtiendo el sentido?100 xpRuido blanco50 xpNo se puede predecir el ruido blanco100 xpPaseo aleatorio50 xpGenerar un paseo aleatorio100 xpVe a la deriva100 xp¿Son los precios de las acciones un paseo aleatorio?100 xp¿Y el rendimiento de las acciones?100 xpEstacionariedad50 xp¿Es estacionario?50 xpAjuste estacional durante la temporada de impuestos100 xp - 3
Modelos Autorregresivos (AR)
En este capítulo aprenderás sobre los modelos autorregresivos, o AR, para series temporales. Estos modelos utilizan valores pasados de la serie para predecir el valor actual.
Describir el modelo RA50 xpSimular series temporales AR(1)100 xpComparar la ACF de varias series temporales AR100 xpEmparejar el modelo AR con el ACF50 xpEstimación y previsión del modelo AR50 xpEstimación de un modelo AR100 xpPrevisión con un modelo AR100 xpPreveamos los tipos de interés100 xpComparar el modelo AR con el paseo aleatorio100 xpElegir el modelo adecuado50 xpOrden estimada del modelo: PACF100 xpOrden estimada del modelo: Criterios de información100 xp - 4
Modelos de medias móviles (MA) y ARMA
En este capítulo aprenderás sobre otro tipo de modelo, el modelo de media móvil o MA. También verás cómo combinar los modelos AR y MA en un potente modelo ARMA.
Describe el modelo50 xpSimular series temporales MA(1)100 xpCalcular la ACF de varias series temporales MA100 xpEmparejar el ACF con el modelo MA50 xpEstimación y previsión de un modelo MA50 xpEstimación de un modelo MA100 xpPrevisión con el modelo MA100 xpModelos ARMA50 xpPrecios de las acciones de alta frecuencia100 xpMás limpieza de datos: Datos no disponibles100 xpAplicación de un modelo MA100 xpEquivalencia de AR(1) y MA(infinito)100 xp - 5
Ponerlo todo junto
Este capítulo te mostrará cómo modelizar dos series conjuntamente utilizando modelos de cointegración. Luego terminarás con un caso práctico en el que examinarás una serie temporal de datos de temperatura de la ciudad de Nueva York.
Modelos de cointegración50 xp¿Un perro con correa? (Parte 1)100 xp¿Un perro con correa? (2ª parte)100 xp¿Están cointegrados Bitcoin y Ethereum?100 xpEstudio de caso: Cambio climático50 xp¿Es la Temperatura un Paseo Aleatorio (con Deriva)?100 xpEntrar en "calor": Mira las Autocorrelaciones100 xp¿Qué modelo ARMA es mejor?100 xpNo tires todavía ese abrigo de invierno100 xpEnhorabuena50 xp
Empresas
¿Entrenar a 2 o más personas?
Obtenga acceso de su equipo a la biblioteca completa de DataCamp, con informes centralizados, tareas, proyectos y másEn las siguientes pistas
Series temporales con Python
Ir a la pistaColaboradores
Requisitos Previos
Manipulating Time Series Data in PythonRob Reider
Ver Mas
Consultant at Quantopian and Adjunct Professor at NYU
¿Qué tienen que decir otros alumnos?
Únete a 13 millones de estudiantes y empeza Análisis de Series Temporales en Python hoy!
Crea Tu Cuenta Gratuita
o
Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.