Vorhersagen und erste Auswertung

Jetzt, da wir ein trainiertes Random-Forest-Modell (rfr) haben, wollen wir es verwenden, um Vorhersagen auf dem Testset zu erhalten. So bewerten wir die Leistung unseres Modells – ganz grundsätzlich: schneidet es so gut oder besser ab als ein einfacher Kauf des Index, SPY?

Wir nutzen die übliche sklearn-Methode .predict(features) und multiplizieren anschließend unsere monatlichen Renditen mit unseren Portfoliovohersagen. Wir summieren diese mit np.sum(), da es für jeden Monat 3 Zeilen geben wird. Danach plotten wir sowohl die monatlichen Renditen aus unseren Vorhersagen als auch SPY und vergleichen beide.

Diese Übung ist Teil des Kurses

<Kurs>Maschinelles Lernen für Finanzen in Python</Kurs>

Kurs ansehen

Übungsanweisungen

Verwende die .predict()-Methode des Random-Forest-Modells rfr, um Vorhersagen für train_features und test_features zu erzeugen.
Multipliziere den Testset-Anteil von returns_monthly mit test_predictions, um die Renditen unserer Testset-Vorhersagen zu erhalten.
Plotte die returns_monthly des Testsets für 'SPY' (alles von train_size bis zum Ende der Daten).

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Get predictions from model on train and test
train_predictions = rfr.predict(train_features)
test_predictions = ____

# Calculate and plot returns from our RF predictions and the SPY returns
test_returns = np.sum(returns_monthly.iloc[train_size:] * ____, axis=1)
plt.plot(test_returns, label='algo')
plt.plot(returns_monthly['SPY'].iloc[____], label='SPY')
plt.legend()
plt.show()

Code bearbeiten und ausführen