Aan de slagBegin gratis

Interpolatie: tussentijdse waarden

In deze oefening bouw je een lineair model door maandelijkse tijdreeksgegevens voor de Dow Jones Industrial Average (DJIA) te fitten en gebruik je dat model vervolgens om voorspellingen te doen voor dagelijkse gegevens (feitelijk een interpolatie). Daarna vergelijk je die dagelijkse voorspelling met de echte dagelijkse DJIA-gegevens.

Een paar opmerkingen over de data. "OHLC" staat voor "Open-High-Low-Close" en dit zijn meestal dagelijkse gegevens, bijvoorbeeld de openings- en slotkoersen en de hoogste en laagste koersen van een aandeel op een bepaalde dag. "DayCount" is een geheel aantal dagen sinds de start van de dataverzameling.

Deze oefening maakt deel uit van de cursus

Introductie tot lineaire modellering in Python

Bekijk cursus

Oefeninstructies

  • Gebruik ols() om een model te .fit()ten op data=df_monthly met formula="Close ~ DayCount".
  • Gebruik model_fit.predict() op zowel df_monthly.DayCount als df_daily.DayCount om waarden te voorspellen voor de maandelijkse en dagelijkse Close-koersen, opgeslagen als een nieuwe kolom Model in elke DataFrame.
  • Gebruik de vooraf gedefinieerde plot_model_with_data twee keer, op zowel df_monthly als df_daily, en vergelijk de weergegeven RSS-waarden.

Interactieve oefening met praktijkervaring

Probeer deze oefening door deze voorbeeldcode aan te vullen.

# build and fit a model to the df_monthly data
model_fit = ols('Close ~ DayCount', ____=df_monthly).____()

# Use the model FIT to the MONTHLY data to make a predictions for both monthly and daily data
df_monthly['Model'] = model_fit.____(df_monthly.____)
df_daily['Model'] = model_fit.____(df_daily.____)

# Plot the monthly and daily data and model, compare the RSS values seen on the figures
fig_monthly = plot_model_with_data(____)
fig_daily = plot_model_with_data(____)
Code bewerken en uitvoeren