Auto-Regression mit einer glatteren Zeitreihe
Lass uns nun dasselbe Verfahren mit einem glatteren Signal erneut ausführen. Du verwendest den gleichen Algorithmus für die prozentuale Veränderung wie zuvor, nutzt diesmal aber ein deutlich größeres Fenster (40 statt 20). Wenn das Fenster größer wird, werden die Unterschiede zwischen benachbarten Zeitpunkten kleiner – das Ergebnis ist ein glatteres Signal. Was meinst du, wie sich das auf das autoregressive Modell auswirkt?
prices_perc_shifted und model (aktualisiert mit einem Fenster von 40) stehen dir in deinem Arbeitsbereich zur Verfügung.
Diese Übung ist Teil des Kurses
Maschinelles Lernen für Zeitreihendaten in Python
Anleitung zur Übung
Erzeuge mit der Funktion (visualize_coefficients()), die du in der letzten Übung erstellt hast, ein Diagramm mit den Koeffizienten von model und den Spaltennamen von prices_perc_shifted.
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Visualize the output data up to "2011-01"
fig, axs = plt.subplots(2, 1, figsize=(10, 5))
y.loc[:'2011-01'].plot(ax=axs[0])
# Run the function to visualize model's coefficients
visualize_coefficients(____, ____, ax=axs[1])
plt.show()