ARIMA Models in Python

 ¿Alguna vez has tratado de predecir el futuro? Lo que se avecina es un misterio que normalmente solo se resuelve esperando. En este curso, dejara de esperar y aprenderá a usar los poderosos modelos de clase ARIMA para pronosticar el futuro. Aprenderá a usar el paquete statsmodels para analizar series de tiempo, construir modelos personalizados y pronosticar bajo incertidumbre. ¿ Como se moverá el mercado de valores en las próximas 24 horas? ¿ Como cambiaran los niveles de CO2 en la próxima década? ¿Cuántos terremotos habrá el próximo año? Aprenderás a resolver todos estos problemas y mas. 

Capitulo 1: Modelos ARMA

Sumérgete directamente y aprende sobre las propiedades mas importantes de las series temporales. Aprenderá sobre la estacionariedad y como esto es importante para los modelos ARMA. Aprenderá como probar la estacionariedad a simple vista y con una prueba estadística estándar. Finalmente, aprenderá la estructura básica de los modelos ARMA y la usara para generar algunos datos ARMA y ajustar un modelo ARMA.

Descargue el material donde encontrara simulaciones con Python donde se cubre cada uno de los puntos hablados previamente. 

Material Capitulo 1 - Modelos ARMA

Los datos que se utilizaron en en los ejercicios presentados en el material previo, los puede descargar en

 https://github.com/J-Isaula/ARIMA-Models-in-Python

Capitulo 2: Fitting the Future

Lo que esta por delante en este capitulo es que prediga lo que esta por venir en sus datos. Aprenderá a usar el elegante paquete statsmodels para adaptarse a los modelos ARMA, ARIMA y ARIMAX.  Entonces usara sus modelos para predecir el futuro incierto de los precios de las acciones

Material Capitulo 2- Modelos ARMA, ARIMAX y ARIMAX

Capitulo 3: Elegir el Mejor Modelo  

En este capitulo te convertiras en un modelador de buen gusto. Aprenderá a identificar ordenes de los modelos prometedores a partir de los propios datos y, luego, una vez que se hayan entrenado los modelos mas prometedores, aprenderá a elegir el mejor modelo de esta selección ajustada. También aprenderá un excelente marco para estructurar sus proyectos de series temporales.  

Material Capitulo 3 - ACF y PACF

Capitulo 4: Modelos ARIMA Estacionales

En este capitulo final, aprenderá a usar modelos ARIMA estacionales para ajustar datos mas complejos. Aprenderá como descomponer estos datos en partes estacionales y no estacionales y luego tendrá la oportunidad de utilizar todas sus herramientas ARIMA en un ultimo desafío de pronostico global.