Pular para o conteúdo principal
InícioPython

Análise de séries temporais em Python

Neste curso de quatro horas, você aprenderá o básico de análise de séries temporais em Python.

Comece O Curso Gratuitamente
4 horas17 vídeos59 exercícios61.297 aprendizesTrophyDeclaração de Realização

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.
Group

Treinar 2 ou mais pessoas?

Tentar DataCamp for Business

Amado por alunos de milhares de empresas


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.
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.
DataCamp Para EmpresasPara uma solução sob medida , agende uma demonstração.

Nas seguintes faixas

Séries temporais em Python

Ir para a trilha
  1. 1

    Correlação e autocorrelação

    Gratuito

    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.

    Reproduzir Capítulo Agora
    Introdução ao curso
    50 xp
    Uma aplicação "fina" de séries temporais
    100 xp
    Mesclando séries temporais com datas diferentes
    100 xp
    Correlação de duas séries temporais
    50 xp
    Correlação de ações e títulos
    100 xp
    Os discos voadores não estão relacionados a mercados voadores
    100 xp
    Regressão linear simples
    50 xp
    Analisando o R-Squared de uma regressão
    100 xp
    Correlação de correspondência com a saída de regressão
    50 xp
    Autocorrelação
    50 xp
    Uma estratégia popular que usa autocorrelação
    100 xp
    As taxas de juros são autocorrelacionadas?
    100 xp
Para Empresas

Treinar 2 ou mais pessoas?

Obtenha acesso à sua equipe à plataforma DataCamp completa, incluindo todos os recursos.

Nas seguintes faixas

Séries temporais em Python

Ir para a trilha

conjuntos de dados

Financial time series datasetsUFO sightingsNew York temperature data

colaboradores

Collaborator's avatar
Lore Dirick
Collaborator's avatar
Nick Solomon
Rob Reider HeadshotRob Reider

Consultant at Quantopian and Adjunct Professor at NYU

Ver Mais

O que os outros alunos têm a dizer?

Junte-se a mais de 15 milhões de alunos e comece Análise de séries temporais em Python hoje mesmo!

Crie sua conta gratuita

GoogleLinkedInFacebook

ou

Ao continuar, você aceita nossos Termos de Uso, nossa Política de Privacidade e que seus dados são armazenados nos EUA.