Preveamos los tipos de interés
Ahora utilizarás las técnicas de previsión que aprendiste en el último ejercicio y las aplicarás a datos reales en lugar de a datos simulados. Volverás a consultar un conjunto de datos del primer capítulo: los datos anuales de los tipos de interés a 10 años que se remontan a 56 años atrás, que se encuentran en una Serie denominada interest_rate_data. Ser capaz de prever los tipos de interés tiene una enorme importancia, no sólo para los inversores en bonos, sino también para los particulares, como los nuevos propietarios de viviendas que deben decidir entre hipotecas a tipo fijo o variable.
En el primer capítulo has visto que existe cierta reversión a la media en los tipos de interés a largo plazo. En otras palabras, cuando los tipos de interés son altos, tienden a bajar y cuando son bajos, tienden a subir con el tiempo. Actualmente están por debajo de los tipos a largo plazo, por lo que se espera que suban, pero un modelo AR intenta cuantificar cuánto se espera que suban.
Ya se han importado la clase ARIMA y la función plot_predict.
Este ejercicio forma parte del curso
Análisis de Series Temporales en Python
Instrucciones de ejercicio
- Crea una instancia de la clase
ARIMAllamadamodutilizando los datos del tipo de interés anual y eligiendoorderpara un modelo AR(1). - Ajusta el modelo
modutilizando el método.fit()y guárdalo en un objeto de resultados llamadores. - Traza los datos y las previsiones dentro y fuera de la muestra de los datos utilizando la función
.plot_predict().- El primer argumento de
plot_predict()debe ser el modelo ajustado. - Pasa los argumentos
start=0para iniciar la previsión dentro de la muestra desde el principio, y eligeendque sea "2027" para prever varios años en el futuro. - Ten en cuenta que el argumento
end2027 debe ir entre comillas aquí, ya que representa una fecha y no una posición entera.
- El primer argumento de
Ejercicio interactivo práctico
Pruebe este ejercicio completando este código de muestra.
# 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()