Prévoir les taux d'intérêt
Vous allez maintenant appliquer les techniques de prévision apprises au dernier exercice à de vraies données plutôt qu'à des données simulées. Vous revisiterez un jeu de données du premier chapitre : les données annuelles des taux d'intérêt à 10 ans sur 56 ans, qui se trouvent dans une Series appelée interest_rate_data. Savoir prévoir les taux d'intérêt est extrêmement important, non seulement pour les investisseurs obligataires, mais aussi pour des personnes comme les nouveaux propriétaires qui doivent choisir entre une hypothèque à taux fixe ou variable.
Vous avez vu au premier chapitre qu'il existe une certaine réversion vers la moyenne des taux d'intérêt sur de longues périodes. Autrement dit, lorsque les taux sont élevés, ils ont tendance à baisser et, lorsqu'ils sont bas, à augmenter avec le temps. À l'heure actuelle, ils sont en dessous des taux à long terme, donc on s'attend à une hausse, mais un modèle AR cherche à quantifier de combien ils devraient augmenter.
La classe ARIMA et la fonction plot_predict ont déjà été importées.
Cette activité fait partie du cours
Analyse des séries chronologiques en Python
Instructions de l’exercice
- Créez une instance de la classe
ARIMAnomméemoden utilisant les données annuelles de taux d'intérêt et en choisissant leorderd'un modèle AR(1). - Ajustez le modèle
modavec la méthode.fit()et enregistrez le résultat dans un objet de résultats nomméres. - Tracez les données ainsi que les prévisions intra-échantillon et hors échantillon à l'aide de la fonction
.plot_predict().- Le premier argument de
plot_predict()doit être le modèle ajusté. - Passez les arguments
start=0pour démarrer la prévision intra-échantillon dès le début, et choisissezendégal à '2027' pour prévoir plusieurs années dans le futur. - Notez que l'argument
end2027 doit être entre guillemets ici puisqu'il représente une date et non une position entière.
- Le premier argument de
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# 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()