AR 썸네일형 리스트형 Fitting the ARMA model 저번에 배운 ARMA 모델을 바탕으로 어떻게 해당 모델을 fitting 해서 어떠한 미래 데이터를 얻을 수 있는 지에 대해 간단하게 살펴보겠습니다 plot_acf 와 plot_pacf 를 통해 어떠한 parameter로 fitting 할 지 대략적인 감을 잡은 뒤 AIC 또는 BIC를 사용하여. 가장 알맞은 모델을 골라줄 수 있습니다. 2011 - 2021 까지의 SP500 data를 사용해보겠습니다. SP500_diff = SP500.diff().dropna() fig, (ax1, ax2) = plt.subplots(2,1, figsize=(12,8)) plot_acf(SP500_diff, ax=ax1) plot_pacf(SP500_diff, ax=ax2) SP500의 ACF를 살펴봤더니, 추세가 존재.. 더보기 시계열분석 _ ARMA모델 개념정리 Stationary 저번에 마지막에 약간 다뤘는데 다시 한 번 살짝 짚고 넘어가면 보통 아래 3가지를 만족하면 stationary data입니다. 1) 데이터의 평균이 상수인 경우 2) 데이터의 분산이 상수인 경우 3) 계절성이 존재하지 않는 경우 그리고 이중에서도 특히, 데이터의 평균이 0인 경우는 특별하게, white noise라고 합니다. 눈으로 확인하는 것보다는 Adfuller test (ADF) 를 진행해보는 것이 가장 정확할 것입니다. ARMA 모델에 데이터를 넣기 위해서는 해당 데이터가 stationary 해야하기 때문에 다시 한 번 stationary 에 대해 정리했습니다. PACF 저번 포스트(?) 에서 ㅋㅋACF에 대해서는 다뤘는데 PACF에 대해서는 다루지 않았는데 PACF는 part.. 더보기 이전 1 다음
