Dapatkan prediksi dan evaluasi awal

Sekarang setelah kita memiliki model random forest terlatih (rfr), kita ingin menggunakannya untuk mendapatkan prediksi pada himpunan uji. Kita melakukan ini untuk mengevaluasi kinerja model — secara dasar, apakah hasilnya setara atau lebih baik daripada sekadar membeli indeks, SPY?

Kita akan menggunakan metode umum sklearn .predict(features), lalu mengalikan imbal hasil bulanan kita dengan prediksi portofolio. Kita menjumlahkannya dengan np.sum() karena ini akan memiliki 3 baris untuk setiap bulan. Lalu kita plot imbal hasil bulanan dari prediksi kita, serta SPY, dan membandingkan keduanya.

Latihan ini merupakan bagian dari kursus

Machine Learning untuk Keuangan dengan Python

Lihat Kursus

Instruksi latihan

Gunakan metode .predict() dari model random forest rfr untuk membuat prediksi pada train_features dan test_features.
Kalikan bagian himpunan uji dari returns_monthly dengan test_predictions untuk memperoleh imbal hasil dari prediksi himpunan uji kita.
Plot returns_monthly himpunan uji untuk 'SPY' (semua data dari train_size hingga akhir data).

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# 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()

Edit dan Jalankan Kode