Interpolacja: wartości pośrednie

W tym ćwiczeniu zbudujesz model liniowy, dopasowując miesięczne dane szeregów czasowych dla indeksu Dow Jones Industrial Average (DJIA), a następnie użyjesz tego modelu do prognozowania wartości dla danych dziennych – w efekcie wykonasz interpolację. Porównasz następnie tę dzienną prognozę z rzeczywistymi danymi DJIA.

Kilka słów o danych. „OHLC" to skrót od „Open-High-Low-Close" (Otwarcie-Maksimum-Minimum-Zamknięcie) – są to zazwyczaj dane dzienne, obejmujące m.in. cenę otwarcia i zamknięcia oraz najwyższą i najniższą cenę akcji w danym dniu. „DayCount" to liczba całkowita oznaczająca liczbę dni od początku zbierania danych.

To ćwiczenie jest częścią kursu

Wprowadzenie do modelowania liniowego w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Użyj funkcji ols() i metody .fit(), aby dopasować model do danych data=df_monthly z formułą formula="Close ~ DayCount".
Wywołaj model_fit.predict() dla df_monthly.DayCount oraz df_daily.DayCount, aby przewidzieć wartości miesięcznych i dziennych cen Close – zapisz wyniki jako nową kolumnę Model w każdym obiekcie DataFrame.
Użyj predefiniowanej funkcji plot_model_with_data dwukrotnie – raz dla df_monthly i raz dla df_daily – a następnie porównaj wyświetlone wartości RSS.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(____)

Edytuj i uruchom kod