مانا سازی داده ها
برای مانا سازی داده ها، در صورتی که داده ها دارای روند باشند، با روش هایی روند را از سری زمانی جدا می کنیم و یا اصطلاحا روند زدایی می کنیم. اگر داده ها از رفتار گام تصادفی پیروی کنند، معمولا از تفاضل گیری استفاده می کنیم. برای تفاضل گیری کافی است داده ها را یک زمان از یکدیگر کسر کنیم. آنقدر این کار را تکرار می کنیم،تا داده ها مانا شوند.
البته این روش یک اشکال بزرگ دارد و آن اینکه که با هر بار تفاضل گیری، یک ردیف از داده ها را از دست می دهیم. در صورتی که حجم داده ها زیاد باشد این موضوع مسئله مهمی نیست اما در صورتی که حجم داده ها کم باشد، ممکن است در تحلیل های آتی دچار مشکل شویم.
در تصویر این پست، یک مثال ساده از تفاضل گیری نمایش داده شده است. در مثال بعدی، با داده های واقعی در پایتون موضوع را بررسی می کنیم.
#مانایی
#تفاضل_گیری
#سری_زمانی
#ایستایی
#دیکی_فولر
#پایتون_مالی
#آموزش پایتون

#stationary
#Difference
#Time_series
#Dickey_Fuller
#python

مانا سازی داده ها (مثال)
در مثال این پست، اطلاعات مربوط به شاخص S&P500 دریافت و رسم می شود. سپس با استفاده از روش تفاضل گیری داده ها مانا شده و مجددا رسم می شوند.

#مانایی
#تفاضل_گیری
#سری_زمانی
#ایستایی
#پایتون_مالی
#آموزش_پایتون

#stationary
#Difference
#Time_series
#python