04.5
変換とローリング指標
まとめ
この章では、生の時系列を「モデルが扱える形」に変換する道具と、窓をずらしながら統計量を計算するローリング指標を扱います。
diff() の 1 次差分でトレンドを消して定常に近づけ、resample("W-MON") で日次を週次にまとめ、rolling(window=14) の移動平均と移動標準偏差でトレンドとばらつきを同時に読みます。さらに rolling().corr() のローリング相関で 2 系列の関係の変化を、ウォークフォワード検証で予測精度の時点ごとの変化を追います。どのページも人工データで「何が消えて何が残るか」を式と図で確かめる構成です。直感 #
生の時系列には、1 日 0.2 ずつ増えるようなトレンドや、期間によって広がったり狭まったりする分散が含まれていて、そのままでは AR や ARIMA の前提(平均と分散が一定)に合いません。diff() で差分を取って定常化し、resample() で粒度を変え、rolling() の移動統計量で局所的な傾向を把握する。こうした前処理を経ると、モデルが捉えるべきシグナルとノイズの区別がはっきりします。
詳細な解説 #
このチャプターで学べること #
- 1次差分による定常化と、原系列との比較方法
- 日次から週次・月次へのリサンプリングでトレンドを抽出する手法
- 移動平均・移動標準偏差の描画による変動の安定性確認
- ローリング相関で2系列間の関係の時間変化を追う方法
- ウォークフォワード検証(ローリング予測)で予測精度を時点ごとに評価する手法
これがわかるとできること #
- 非定常な系列を定常化し、ARIMAなどのモデルに適した入力を準備できる
- 業務サイクルに合わせた粒度でトレンドを読み取れる
- モデルの予測が時間とともに劣化していないかを検証できる
学習の進め方 #
まず差分による定常化を比較で、diff() がトレンドを定数に変える仕組みと差分次数 d の決め方を押さえます。次にリサンプリングで週次トレンドを抽出と移動平均と移動標準偏差で、窓の幅と周期の関係からトレンド把握の手法を学びます。最後にローリング相関とローリング予測の比較で、関係の変化と予測の安定性を検証する応用に進みます。