Interpolação: Entre tempos

Neste exercício, você vai construir um modelo linear ajustando uma série temporal mensal do Dow Jones Industrial Average (DJIA) e, em seguida, usar esse modelo para fazer previsões para dados diários (na prática, uma interpolação). Depois, você vai comparar essa previsão diária com os dados diários reais do DJIA.

Algumas observações sobre os dados. "OHLC" significa "Open-High-Low-Close" (abertura, máxima, mínima e fechamento), que geralmente é um dado diário, por exemplo, os preços de abertura e fechamento e os preços mais alto e mais baixo de uma ação em um determinado dia. "DayCount" é um número inteiro de dias desde o início da coleta dos dados.

Este exercicio faz parte do curso

Introdução à Modelagem Linear em Python

Ver curso

Instruções do exercicio

Use ols() para .fit() um modelo em data=df_monthly com formula="Close ~ DayCount".
Use model_fit.predict() tanto em df_monthly.DayCount quanto em df_daily.DayCount para prever valores para os preços de Close mensais e diários, armazenados como uma nova coluna Model em cada DataFrame.
Use a função predefinida plot_model_with_data duas vezes, em df_monthly e df_daily, e compare os valores de RSS exibidos.

exercicio interativo prático

Tente este exercicio completando este código de exemplo.

# 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(____)

Editar e Executar Código