Mô hình ARIMA với Python

Bạn đã bao giờ thử dự đoán tương lai chưa? Những gì đang chờ phía trước vẫn là một bí ẩn, thường chỉ có thể được giải đáp bằng cách chờ đợi. Trong khóa học này, bạn có thể thôi chờ đợi và khám phá thế giới mô hình hóa chuỗi thời gian bằng các mô hình ARIMA trong Python để dự báo tương lai.

Dữ liệu chuỗi thời gian

Bắt đầu bằng việc tìm hiểu những kiến thức cơ bản về dữ liệu chuỗi thời gian, bao gồm khái niệm tính dừng—yếu tố then chốt khi làm việc với các mô hình ARMA. Bạn sẽ học cách kiểm định tính dừng bằng cả phương pháp trực quan lẫn thống kê, tạo dữ liệu ARMA và ước lượng các mô hình ARMA để xây dựng nền tảng vững chắc.​

Gói Statsmodels

Khi tiếp tục học, bạn sẽ khám phá thư viện Statsmodels mạnh mẽ để ước lượng các mô hình ARMA, ARIMA và ARMAX. Bạn sẽ trực tiếp thực hành sử dụng các mô hình của mình để dự đoán những giá trị trong tương lai, chẳng hạn như giá cổ phiếu.

Giúp bạn dễ dàng nắm bắt và áp dụng các khái niệm này, khóa học sẽ hướng dẫn bạn tạo dự đoán trước một bước, dự báo động và khớp các mô hình ARIMA trực tiếp với dữ liệu của mình.

Biểu đồ ACF và PACF

Một trong những điểm nổi bật là bạn sẽ học cách chọn mô hình tốt nhất bằng cách sử dụng đồ thị ACF và PACF để xác định các bậc mô hình tiềm năng. Bạn sẽ tìm hiểu các tiêu chí như AIC và BIC để lựa chọn và chẩn đoán mô hình, giúp bạn tinh chỉnh mô hình đến mức hoàn hảo​​.

Các mô hình SARIMA

Khóa học khép lại với các mô hình ARIMA mùa vụ (SARIMA), phù hợp để xử lý dữ liệu có tính mùa vụ. Bạn sẽ học cách phân rã dữ liệu chuỗi thời gian thành các thành phần mùa vụ và phi mùa vụ, đồng thời vận dụng kiến thức về ARIMA trong một thử thách dự báo toàn cầu.

Dự án cuối khóa này tổng hợp mọi kiến thức đã học, giúp bạn hiểu toàn diện về mô hình ARIMA.