Pojďme předpovědět úrokové sazby
Teď využiješ techniky předpovídání z předchozího cvičení a aplikuješ je na reálná data místo simulovaných. Vrátíme se k datové sadě z první kapitoly: ročním datům desetiletých úrokových sazeb za posledních 56 let, která jsou uložena v Series s názvem interest_rate_data. Schopnost předpovídat úrokové sazby má obrovský význam – nejen pro investory do dluhopisů, ale i pro jednotlivce, jako jsou noví majitelé nemovitostí, kteří se musí rozhodnout mezi hypotékou s pevnou a variabilní sazbou.
V první kapitole jsi viděl/a, že u úrokových sazeb dochází v dlouhých horizontech k určitému návratu k průměru. Jinými slovy, když jsou úrokové sazby vysoké, mají tendenci klesat, a když jsou nízké, časem rostou. Aktuálně jsou pod úrovní dlouhodobých sazeb, takže se očekává jejich růst – model AR se ale snaží kvantifikovat, o kolik by měly vzrůst.
Třída ARIMA a funkce plot_predict jsou již naimportovány.
Toto cvičení je součástí kurzu
Analýza časových řad v Pythonu
Pokyny k cvičení
- Vytvoř instanci třídy
ARIMAs názvemmodpomocí ročních dat úrokových sazeb a zvolorderodpovídající modelu AR(1). - Natrénuj model
modpomocí metody.fit()a výsledek ulož do objektu s výsledky s názvemres. - Vykresli data spolu s in-sample a out-of-sample predikcemi pomocí funkce
.plot_predict().- Prvním argumentem funkce
plot_predict()by měl být natrénovaný model. - Předej argument
start=0, aby in-sample předpověď začínala od začátku, a jakoendzvol '2027', aby prognóza sahala několik let do budoucnosti. - Všimni si, že argument
ends hodnotou 2027 musí být v uvozovkách, protože představuje datum, nikoli celočíselnou pozici.
- Prvním argumentem funkce
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Forecast interst rates using an AR(1) model
mod = ARIMA(interest_rate_data, order=___)
res = mod.fit()
# Plot the data and the forecast
fig, ax = plt.subplots()
interest_rate_data.plot(ax=ax)
plot_predict(___, start=___, end=___, alpha=None, ax=ax)
plt.show()