Análise de séries temporais em Python
Neste curso de quatro horas, você aprenderá o básico de análise de séries temporais em Python.
Comece O Curso Gratuitamente4 horas17 vídeos59 exercícios60.588 aprendizesDeclaração de Realização
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.Treinar 2 ou mais pessoas?
Experimente o DataCamp For BusinessAmado por alunos de milhares de empresas
Descrição do Curso
Aprenda a usar Python para análise de séries temporais
De preços de ações a dados climáticos, você pode encontrar dados de séries temporais em uma ampla variedade de domínios. Ter a capacidade de trabalhar com esses dados de forma eficaz é uma habilidade cada vez mais importante para os cientistas de dados. Este curso apresentará a você a análise de séries temporais em Python.Depois de aprender o que é uma série temporal, você explorará vários modelos de séries temporais, desde modelos autorregressivos e de média móvel até modelos de cointegração. Ao longo do caminho, você aprenderá a estimar, prever e simular esses modelos usando bibliotecas estatísticas em Python.
Você verá vários exemplos de como esses modelos são usados, com ênfase especial nas aplicações em finanças.
Descubra como usar os métodos de séries temporais
Você começará abordando os fundamentos dos dados de séries temporais, bem como a regressão linear simples. Você abordará os conceitos de correlação e autocorrelação e como eles se aplicam aos dados de séries temporais antes de explorar alguns modelos simples de séries temporais, como ruído branco e um passeio aleatório. Em seguida, você explorará como os modelos autorregressivos (AR) são usados em dados de séries temporais para prever os valores atuais e como os modelos de média móvel podem ser combinados com os modelos AR para produzir modelos ARMA avançados.Por fim, você verá como usar modelos de cointegração para modelar duas séries conjuntamente antes de analisar um estudo de caso real.
Explore os modelos e as bibliotecas Python para análise de séries temporais Ao final deste curso, você entenderá como funciona a análise de séries temporais em Python. Você conhecerá alguns dos modelos, métodos e bibliotecas que podem ajudá-lo no processo e saberá como escolher os modelos adequados para sua própria análise.
Este curso faz parte de uma trilha mais ampla de Time Series com Python, que oferece um conjunto de cinco cursos para ajudar você a dominar essa habilidade de ciência de dados.
Para Empresas
Treinar 2 ou mais pessoas?
Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizadosNas seguintes faixas
Séries temporais em Python
Ir para a trilha- 1
Correlação e autocorrelação
GratuitoNeste capítulo, você será apresentado às ideias de correlação e autocorrelação para séries temporais. A correlação descreve a relação entre duas séries temporais e a autocorrelação descreve a relação de uma série temporal com seus valores passados.
Introdução ao curso50 xpUma aplicação "fina" de séries temporais100 xpMesclando séries temporais com datas diferentes100 xpCorrelação de duas séries temporais50 xpCorrelação de ações e títulos100 xpOs discos voadores não estão relacionados a mercados voadores100 xpRegressão linear simples50 xpAnalisando o R-Squared de uma regressão100 xpCorrelação de correspondência com a saída de regressão50 xpAutocorrelação50 xpUma estratégia popular que usa autocorrelação100 xpAs taxas de juros são autocorrelacionadas?100 xp - 2
Algumas séries temporais simples
Neste capítulo, você aprenderá sobre alguns modelos simples de séries temporais. Isso inclui ruído branco e um passeio aleatório.
Função de autocorrelação50 xpExercício de tributação: Calcule o ACF100 xpVocê tem certeza de que essa ação está se revertendo à média?100 xpRuído branco50 xpNão é possível prever o ruído branco100 xpCaminhada aleatória50 xpGerar um passeio aleatório100 xpVocê está à deriva100 xpOs preços das ações são um passeio aleatório?100 xpE quanto aos retornos das ações?100 xpEstacionariedade50 xpEle é estacionário?50 xpAjuste sazonal durante a temporada de impostos100 xp - 3
Modelos autorregressivos (AR)
Neste capítulo, você aprenderá sobre modelos autorregressivos, ou AR, para séries temporais. Esses modelos usam valores anteriores da série para prever o valor atual.
Descreva o modelo AR50 xpSimular AR(1) Série temporal100 xpCompare o site ACF para várias séries temporais AR100 xpCombine AR Model com ACF50 xpEstimativa e previsão AR Model50 xpEstimativa de um modelo AR100 xpPrevisão com um modelo AR100 xpVamos prever as taxas de juros100 xpCompare o modelo AR com o passeio aleatório100 xpEscolhendo o modelo certo50 xpOrdem de estimativa do modelo: PACF100 xpOrdem de estimativa do modelo: Critérios de informação100 xp - 4
Modelos de média móvel (MA) e ARMA
Neste capítulo, você aprenderá sobre outro tipo de modelo, a média móvel, ou MA, modelo. Você também verá como combinar os modelos AR e MA em um poderoso modelo ARMA.
Descrever o modelo50 xpSimular MA(1) Série temporal100 xpCalcule o ACF para várias séries temporais MA100 xpCombine ACF com MA Model50 xpEstimativa e previsão de um modelo MA50 xpEstimativa de um modelo MA100 xpPrevisão com o modelo MA100 xpARMA modelos50 xpPreços de ações de alta frequência100 xpMais limpeza de dados: Dados ausentes100 xpAplicação de um modelo MA100 xpEquivalência de AR(1) e MA(infinito)100 xp - 5
Colocando tudo junto
Este capítulo mostrará a você como modelar duas séries conjuntamente usando modelos de cointegração. Em seguida, você encerrará com um estudo de caso em que analisará uma série temporal de dados de temperatura da cidade de Nova York.
Modelos de cointegração50 xpUm cão na coleira? (Parte 1)100 xpUm cão na coleira? (Parte 2)100 xpO Bitcoin e o Ethereum são cointegrados?100 xpEstudo de caso: Mudanças climáticas50 xpA temperatura é um passeio aleatório (com desvio)?100 xpAquecimento: Observe as autocorrelações100 xpQual é o melhor modelo do site ARMA?100 xpNão jogue fora aquele casaco de inverno ainda100 xpParabéns a você50 xp
Para Empresas
Treinar 2 ou mais pessoas?
Obtenha acesso à biblioteca completa do DataCamp, com relatórios, atribuições, projetos e muito mais centralizadosNas seguintes faixas
Séries temporais em Python
Ir para a trilhacolaboradores
pré-requisitos
Manipulating Time Series Data in PythonRob Reider
Ver MaisConsultant at Quantopian and Adjunct Professor at NYU
O que os outros alunos têm a dizer?
Junte-se a mais de 14 milhões de alunos e comece Análise de séries temporais em Python hoje mesmo!
Crie sua conta gratuita
ou
Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.