کارگاه پروژه محور تحلیل داده های سری زمانی مالی با پایتون

چکیده:

• آشنایی با سری‌های زمانی و انواع آن

• آشنایی با اجزای تشکیل دهنده سری زمانی

• تحلیل توصیفی سری‌های زمانی

• آشنایی با سری‌های ایستا و ناایستا

• تبدیل سری‌های ناایستا به سری‌های ایستا با روش‌های موجود

• آشنایی با عملگرهای پسرو و تفاضلی کردن

• آشنایی با توابع خودهمبستگی و خودهمبستگی جزیی

• تعیین نوع سری با توجه به توابع خودهمبستگی و خودهمبستگی جزیی

• شناخت الگو و برآورد پارامترهای یک مدل سری زمانی

• پیش‌بینی با مدل‌های ARIMA

• تعیین بهترین مدل ARIMA بر اساس داده‌ها

سرفصل‌ها:

1. مقدمه‌ای بر سری‌های زمانی
2. ویژگی‌های سری‌های زمانی
3. اهداف اصلی تحلیل سری‌های زمانی
4. پیش‌بینی سری‌های زمانی
5. چارچوب 5 مرحله‌ای هیندمن برای پیش‌بینی
6. اجرای فرایند پیش‌بینی داده‌های مالی با استفاده از مدل‌های آریما

گام های پیاده سازی

• گام اول: تعریف مسئله
• گام دوم: جمع‌آوری داده‌های مالی سری زمانی
• گام سوم: تحلیل داده‌های مورد بررسی
• گام چهارم: انتخاب و برازش مدل بر روی داده‌های موجود
•  گام پنجم: ارزیابی مدل‌های انتخاب شده