Backtesting con MAE y MSE

En este ejercicio, vas a practicar cómo evaluar el rendimiento del modelo realizando backtesting. La precisión de las predicciones fuera de muestra se evalúa calculando MSE y MAE.

Puedes estimar fácilmente los errores de predicción MSE y MAE con funciones predefinidas del paquete sklearn.metrics. La varianza real y la varianza predicha se han precargado en actual_var y forecast_var, respectivamente.

Este ejercicio forma parte del curso

Modelos GARCH en Python

Ver curso

Instrucciones del ejercicio

En evaluate(), realiza el cálculo de MAE llamando a la función correspondiente de sklean.metrics.
En evaluate(), realiza el cálculo de MSE llamando a la función correspondiente de sklean.metrics.
Pasa las variables a evaluate() para ejecutar el backtest.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

def evaluate(observation, forecast): 
    # Call sklearn function to calculate MAE
    mae = ____(observation, forecast)
    print('Mean Absolute Error (MAE): {:.3g}'.format(mae))
    # Call sklearn function to calculate MSE
    mse = ____(observation, forecast)
    print('Mean Squared Error (MSE): {:.3g}'.format(mse))
    return mae, mse

# Backtest model with MAE, MSE
evaluate(____, ____)

Editar y ejecutar código