Gerando previsões dinâmicas

Agora vamos um pouco mais longe no futuro, para previsões dinâmicas. E se você quiser prever o preço das ações da Amazon não apenas para amanhã, mas para a próxima semana ou para o próximo mês? É aqui que entram as previsões dinâmicas.

Lembre-se de que, no vídeo, você viu que é mais difícil fazer previsões de longo prazo precisas porque os termos de choque se acumulam. Quanto mais distante no futuro vão as previsões, maior a incerteza. Isso é especialmente verdadeiro com dados de ações, então é provável que você perceba que suas previsões neste exercício não são tão precisas quanto as do exercício anterior.

Este exercicio faz parte do curso

Modelos ARIMA em Python

Instruções do exercicio

Use o objeto results para fazer previsões dinâmicas para os últimos 30 dias e atribua o resultado a dynamic_forecast.
Atribua suas previsões a uma nova variável chamada mean_forecast usando um dos atributos do objeto dynamic_forecast.
Extraia os intervalos de confiança das suas previsões a partir do objeto dynamic_forecast e atribua-os a uma nova variável confidence_intervals.
Imprima suas previsões médias.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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(____)

Editar e Executar Código

Este exercicio faz parte do curso

Modelos ARIMA em Python

AvançadoNível de habilidade

4.9+

Comece o curso gratuitamente

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 Exercise 8: Gerando previsões dinâmicas

Exercicio Atual

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!