Auto-regressione con una serie temporale più liscia
Ora rilanciamo la stessa procedura usando un segnale più liscio. Userai lo stesso algoritmo di variazione percentuale di prima, ma questa volta con una finestra molto più ampia (40 invece di 20). All'aumentare della finestra, la differenza tra punti temporali adiacenti diminuisce, producendo un segnale più liscio. Secondo te, che effetto avrà questo sull'auto-regressive model?
prices_perc_shifted e model (aggiornato per usare una finestra di 40) sono disponibili nel tuo workspace.
Questo esercizio fa parte del corso
Machine Learning per dati di serie temporali in Python
Istruzioni dell'esercizio
Usando la funzione (visualize_coefficients()) che hai creato nell'esercizio precedente, genera un grafico con i coefficienti di model e i nomi delle colonne di prices_perc_shifted.
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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()