Generowanie dynamicznych prognoz

Czas zajrzeć nieco dalej w przyszłość – do prognoz dynamicznych. Co, jeśli chcesz przewidzieć kurs akcji Amazona nie tylko na jutro, ale na cały następny tydzień albo miesiąc? Właśnie do tego służą prognozy dynamiczne.

Pamiętaj, że w materiale wideo poznałeś powód, dla którego precyzyjne prognozy długoterminowe są trudniejsze – składniki losowe kumulują się, a im dalej w przyszłość sięga prognoza, tym większa niepewność. Dotyczy to szczególnie danych giełdowych, więc prognozy w tym ćwiczeniu prawdopodobnie będą mniej dokładne niż te z poprzedniego ćwiczenia.

To ćwiczenie jest częścią kursu

Modele ARIMA w Pythonie

Instrukcje do ćwiczenia

Użyj obiektu results, aby wygenerować dynamiczne prognozy dla ostatnich 30 dni i przypisz wynik do zmiennej dynamic_forecast.
Przypisz swoje prognozy do nowej zmiennej o nazwie mean_forecast, korzystając z odpowiedniego atrybutu obiektu dynamic_forecast.
Wyodrębnij przedziały ufności swoich prognoz z obiektu dynamic_forecast i przypisz je do nowej zmiennej confidence_intervals.
Wyświetl średnie prognozy.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Generate predictions
dynamic_forecast = results.______(____=___, ____=____)

# Extract prediction mean
mean_forecast = ____.____

# Get confidence intervals of predictions
confidence_intervals = ____.____

# Select lower and upper confidence limits
lower_limits = confidence_intervals.loc[:,'lower close']
upper_limits = confidence_intervals.loc[:,'upper close']

# Print best estimate predictions
print(____)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Modele ARIMA w Pythonie

SkillTag.level.advancedSkillTag.label

4.9+

Rozpocznij kurs za darmo

Zacznij od razu i poznaj najważniejsze właściwości szeregów czasowych. Dowiesz się, czym jest stacjonarność i dlaczego ma kluczowe znaczenie dla modeli ARMA. Nauczysz się sprawdzać stacjonarność zarówno wzrokowo, jak i za pomocą standardowego testu statystycznego. Na koniec poznasz podstawową strukturę modeli ARMA – i wykorzystasz ją do wygenerowania danych ARMA oraz dopasowania własnego modelu.

Exercise 1: Wprowadzenie do szeregów czasowych i stacjonarności Exercise 2: Eksploracja Exercise 3: Podział na zbiór treningowy i testowy Exercise 4: Czy to jest stacjonarny szereg?Exercise 5: Stacjonaryzacja szeregów czasowych Exercise 6: Rozszerzony test Dickeya-Fullera Exercise 7: Wyznaczanie różnic Exercise 8: Inne przekształcenia Exercise 9: Wprowadzenie do modeli AR, MA i ARMA Exercise 10: Rząd modelu Exercise 11: Generowanie danych ARMA Exercise 12: Wstęp do dopasowywania modeli

W tym rozdziale nauczysz się przewidywać, co kryją w sobie twoje dane. Poznasz elegancki pakiet statsmodels i użyjesz go do dopasowania modeli ARMA, ARIMA i ARMAX. Następnie wykorzystasz swoje modele, aby prognozować niepewną przyszłość cen akcji!

Exercise 1: Dopasowywanie modeli szeregów czasowych Exercise 2: Dopasowywanie modeli AR i MA Exercise 3: Dopasowywanie modelu ARMA Exercise 4: Dopasowywanie modelu ARMAX Exercise 5: Prognozowanie Exercise 6: Generowanie prognoz jednokrokowych Exercise 7: Wizualizacja prognoz jednokrokowych Exercise 8: Generowanie dynamicznych prognoz

Bieżące ćwiczenie

Exercise 9: Wizualizacja prognoz dynamicznych Exercise 10: Wprowadzenie do modeli ARIMA Exercise 11: Różnicowanie i dopasowywanie modelu ARMA Exercise 12: Odwijanie prognozy ARMA Exercise 13: Dopasowywanie modelu ARIMA Exercise 14: Wybór modelu ARIMA

W tym rozdziale staniesz się wymagającym twórcą modeli. Nauczysz się identyfikować obiecujące rzędy modeli bezpośrednio na podstawie danych, a następnie – po wytrenowaniu najbardziej perspektywicznych modeli – wybierać najlepszy spośród nich. Poznasz też sprawdzone podejście do organizowania projektów z szeregami czasowymi.

Exercise 1: Wprowadzenie do ACF i PACF Exercise 2: AR czy MA Exercise 3: Rząd modelu dla trzęsień ziemi Exercise 4: Wprowadzenie do AIC i BIC Exercise 5: Przeszukiwanie rzędów modelu Exercise 6: Wybór rzędu modelu za pomocą AIC i BIC Exercise 7: AIC i BIC a ACF i PACF Exercise 8: Diagnostyka modelu Exercise 9: Średni błąd bezwzględny Exercise 10: Podsumowanie statystyk diagnostycznych Exercise 11: Wykresy diagnostyczne Exercise 12: Metoda Boxa-Jenkinsa Exercise 13: Identyfikacja Exercise 14: Identyfikacja II Exercise 15: Estymacja Exercise 16: Diagnostyka

W tym ostatnim rozdziale nauczysz się używać sezonowych modeli ARIMA do dopasowywania bardziej złożonych danych. Dowiesz się, jak rozkładać dane na składowe sezonowe i niesezonowe, a następnie wykorzystasz wszystkie swoje narzędzia ARIMA w jednym finalnym globalnym wyzwaniu prognozowania.

Exercise 1: Sezonowe szeregi czasowe Exercise 2: Dekompozycja sezonowa Exercise 3: Sezonowe ACF i PACF Exercise 4: Modele SARIMA Exercise 5: Dopasowywanie modeli SARIMA Exercise 6: Wybór rzędu modelu SARIMA Exercise 7: Prognozy SARIMA vs ARIMA Exercise 8: Automatyzacja i zapisywanie Exercise 9: Automatyczny dobór modelu Exercise 10: Zapisywanie i aktualizowanie modeli Exercise 11: SARIMA i Box-Jenkins Exercise 12: Sezonowość multiplikatywna a addytywna Exercise 13: Diagnostyka modelu SARIMA Exercise 14: Prognoza SARIMA Exercise 15: Gratulacje!