50% de desconto no DataCamp Premium. Mais de 700 cursos pela metade do preço. Comece a aprender hoje.
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.
Pré-requisitos
Programa de estudos
Descrição do curso
1
Correlação e autocorrelação
Neste 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 XP
- Uma aplicação "magrela" de séries temporais100 XP
- Mesclando séries temporais com datas diferentes100 XP
- Correlação de duas séries temporais50 XP
- Correlação de ações e títulos100 XP
- Discos voadores não estão correlacionados com mercados em alta100 XP
- Regressão linear simples50 XP
- Analisando o R-Squared de uma regressão100 XP
- Associe a correlação ao resultado da regressão50 XP
- Autocorrelação50 XP
- Uma estratégia popular que usa autocorrelação100 XP
- As 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.
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.
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.
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.
Análise de séries temporais em Python
Curso
concluído
