Plotando previsões de um passo à frente

Agora que você tem suas previsões para as ações da Amazon, é hora de plotá-las para ver como você se saiu.

Você fez previsões ao longo dos 30 dias mais recentes de dados disponíveis, sempre prevendo apenas um dia à frente. Ao avaliar essas previsões, você consegue julgar como o modelo se comporta ao prever somente o dia seguinte, quando você ainda não sabe a resposta.

Os DataFrames lower_limits, upper_limits e amazon, assim como sua previsão média mean_forecast criada no exercício anterior, estão disponíveis no seu ambiente.

Este exercício faz parte do curso

Modelos ARIMA em Python

Instruções do exercício

Plote os dados de amazon, usando amazon.index como as coordenadas x.
Plote a previsão mean_forecast da mesma forma, usando mean_forecast.index como as coordenadas x.
Plote uma área sombreada entre lower_limits e upper_limits do seu intervalo de confiança. Use o índice de lower_limits como as coordenadas x.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# plot the amazon data
plt.plot(____, ____, label='observed')

# plot your mean predictions
plt.plot(____, ____, color='r', label='forecast')

# shade the area between your confidence limits
plt.____(____, ____,
		 ____, color='pink')

# set labels, legends and show plot
plt.xlabel('Date')
plt.ylabel('Amazon Stock Price - Close USD')
plt.legend()
plt.show()

Editar e executar o código

Este exercício faz parte do curso

Modelos ARIMA em Python

AvançadoNível de habilidade

4.9+

Iniciar curso de graça

Mergulhe de cabeça e conheça as propriedades mais importantes de séries temporais. Você vai aprender sobre estacionariedade e por que isso é importante para modelos ARMA. Vai aprender a testar estacionariedade visualmente e com um teste estatístico padrão. Por fim, vai conhecer a estrutura básica dos modelos ARMA e usá-la para gerar alguns dados ARMA e ajustar um modelo ARMA.

Exercise 1: Introdução a séries temporais e estacionaridade Exercise 2: Exploração Exercise 3: Divisões de treino e teste Exercise 4: É estacionária?Exercise 5: Tornando séries temporais estacionárias Exercise 6: Dickey-Fuller Aumentado Exercise 7: Calculando a diferença Exercise 8: Outras transformações Exercise 9: Introdução aos modelos AR, MA e ARMA Exercise 10: Ordem do modelo Exercise 11: Gerando dados ARMA Exercise 12: Ajuste: prelúdio

O que vem pela frente neste capítulo é você prevendo o que vem pela frente nos seus dados. Você vai aprender a usar o elegante pacote statsmodels para ajustar modelos ARMA, ARIMA e ARMAX. Depois, vai usar seus modelos para prever o futuro incerto dos preços das ações!

Exercise 1: Ajustando modelos de séries temporais Exercise 2: Ajustando modelos AR e MA Exercise 3: Ajustando um modelo ARMA Exercise 4: Ajustando um modelo ARMAX Exercise 5: Previsão Exercise 6: Gerando previsões de um passo à frente Exercise 7: Plotando previsões de um passo à frente

Exercício atual

Exercise 8: Gerando previsões dinâmicas Exercise 9: Plotando previsões dinâmicas Exercise 10: Introdução aos modelos ARIMA Exercise 11: Diferenciação e ajuste de ARMA Exercise 12: Desenrolando a previsão ARMA Exercise 13: Ajustando um modelo ARIMA Exercise 14: Escolhendo o modelo ARIMA

Neste capítulo, você vai se tornar um modelador de gosto apurado. Vai aprender a identificar ordens de modelo promissoras a partir dos próprios dados e, depois que os modelos mais promissores forem treinados, vai aprender a escolher o melhor modelo desse conjunto ajustado. Você também vai conhecer um ótimo framework para estruturar seus projetos de séries temporais.

Exercise 1: Introdução a ACF e PACF Exercise 2: AR ou MA Exercise 3: Ordem dos terremotos Exercise 4: Introdução a AIC e BIC Exercise 5: Buscando a ordem do modelo Exercise 6: Escolhendo a ordem com AIC e BIC Exercise 7: AIC e BIC vs ACF e PACF Exercise 8: Diagnóstico do modelo Exercise 9: Erro absoluto médio Exercise 10: Estatísticas de diagnóstico do resumo Exercise 11: Diagnóstico com gráficos Exercise 12: Método de Box-Jenkins Exercise 13: Identificação Exercise 14: Identificação II Exercise 15: Estimativa Exercise 16: Diagnósticos

Neste capítulo final, você vai aprender a usar modelos ARIMA sazonais para ajustar dados mais complexos. Você vai aprender a decompor esses dados em partes sazonais e não sazonais e, em seguida, terá a chance de usar todas as suas ferramentas de ARIMA em um último desafio de previsão global.

Exercise 1: Séries temporais sazonais Exercise 2: Decomposição sazonal Exercise 3: ACF e PACF sazonais Exercise 4: Modelos SARIMA Exercise 5: Ajustando modelos SARIMA Exercise 6: Escolhendo a ordem do SARIMA Exercise 7: Previsões SARIMA vs ARIMA Exercise 8: Automação e salvamento Exercise 9: Seleção automática de modelos Exercise 10: Salvando e atualizando modelos Exercise 11: SARIMA e Box-Jenkins Exercise 12: Sazonalidade multiplicativa vs aditiva Exercise 13: Diagnóstico do modelo SARIMA Exercise 14: Previsão com SARIMA Exercise 15: Parabéns!