Saltar al contenido principal
InicioPython

Análisis de Series Temporales en Python

En este curso de cuatro horas, aprenderás lo básico del análisis de series temporales en Python.

Comienza El Curso Gratis
4 horas17 vídeos59 ejercicios61.572 aprendicesTrophyDeclaración de cumplimiento

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.
Group

¿Entrenar a 2 o más personas?

Probar DataCamp for Business

Preferido por estudiantes en miles de empresas


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.
Empresas

¿Entrenar a 2 o más personas?

Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.
DataCamp Para EmpresasPara obtener una solución a medida, reserve una demostración.

En las siguientes pistas

Series temporales en Python

Ir a la pista
  1. 1

    Correlación y Autocorrelación

    Gratuito

    En 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.

    Reproducir Capítulo Ahora
    Introducción al curso
    50 xp
    Una aplicación "fina" de las series temporales
    100 xp
    Fusionar series temporales con fechas diferentes
    100 xp
    Correlación de dos series temporales
    50 xp
    Correlación de acciones y bonos
    100 xp
    Los platillos volantes no están relacionados con los mercados volantes
    100 xp
    Regresión lineal simple
    50 xp
    Observar el R-cuadrado de una regresión
    100 xp
    Emparejar la correlación con el resultado de la regresión
    50 xp
    Autocorrelation
    50 xp
    Una estrategia popular que utiliza la autocorrelación
    100 xp
    ¿Están autocorrelacionados los tipos de interés?
    100 xp
  2. 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.

    Reproducir Capítulo Ahora
Empresas

¿Entrenar a 2 o más personas?

Obtén a tu equipo acceso a la plataforma DataCamp completa, incluidas todas las funciones.

En las siguientes pistas

Series temporales en Python

Ir a la pista

conjuntos de datos

Financial time series datasetsUFO sightingsNew York temperature data

colaboradores

Collaborator's avatar
Lore Dirick
Collaborator's avatar
Nick Solomon
Rob Reider HeadshotRob Reider

Consultant at Quantopian and Adjunct Professor at NYU

Ver Más

¿Qué tienen que decir otros alumnos?

¡Únete a 15 millones de estudiantes y empieza Análisis de Series Temporales en Python hoy mismo!

Crea Tu Cuenta Gratuita

GoogleLinkedInFacebook

o

Al continuar, acepta nuestros Términos de uso, nuestra Política de privacidad y que sus datos se almacenan en los EE. UU.