16.1 Conceptos relacionados
El propósito de los datos de series de tiempo es predecir el futuro a través del pasado. Todos los datos siguientes pertenecen a datos de series de tiempo:
(1) datos de teledetección;
(2) datos meteorológicos;
(3) Datos financieros (acciones, futuros, divisas)
(4) Datos económicos (PIB)
El modelo de series de tiempo es el modelo de tendencia (modelo de tendencia), que incluye principalmente las dos categorías siguientes:
(1) Modelo de tendencia lineal
(2) Modelo de tendencia log-lineal
Entonces, ¿se pueden incorporar directamente los datos de tiempo al proceso de modelado? Obviamente no se puede hacer.
16.2 Análisis de casos
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import matplotlib as mpl
import tushare as ts
if __name__ == '__main__':
token = "e2aad62befd01005a6bce9947c12055478bd1906cd48f850f7c5d5a0"
pro = ts.pro_api(token)
df = pro.daily(ts_code="002758.SZ", start_date="20220401", end_date="20220501")
# 将日期设置为dataframe的行索引
df.index=pd.to_datetime(df.trade_date)
# 获取每日的收盘价
our_df = df.close
(1) La covarianza de la serie de tiempo AF (función de autocovarianza) y su término de retraso: suponga que X es una variable aleatoria, E es la expectativa matemática y u es la media, es decir, existe: